HƯỚNG DẪN KỸ THUẬT

Phản hồi ngầm và bình phương nhỏ nhất xen kẽ

Những người đề xuất phản hồi ngầm học hỏi từ các hành vi như nhấp chuột, phát và mua hàng, trong đó không có xếp hạng rõ ràng nào được cung cấp.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của phản hồi ngầm và bình phương nhỏ nhất xen kẽ
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Bình phương tối thiểu xen kẽ (ALS) ước tính các yếu tố tiềm ẩn của người dùng và vật phẩm trong khi tính trọng số cho các tương tác được quan sát theo độ tin cậy, nhưng tương tác bị thiếu thường có nghĩa là ưu tiên không xác định thay vì xếp hạng tiêu cực.

Lặn sâu

Hệ thống phản hồi rõ ràng sử dụng xếp hạng hoặc phán đoán ưu tiên trực tiếp. Thay vào đó, hệ thống phản hồi ngầm sẽ quan sát hành vi như số lần nhấp chuột, thời gian xem, mua hàng hoặc lưu. Những sự kiện này cung cấp bằng chứng đáng quan tâm nhưng ồn ào và không đầy đủ: một cú nhấp chuột có thể là vô tình và không có cú nhấp chuột nào có thể có nghĩa là mục đó chưa bao giờ được hiển thị. Việc coi mọi cặp mục người dùng bị thiếu là một sự không thích rõ ràng có thể làm sai lệch quá trình học tập. Cách tiếp cận yếu tố tiềm ẩn phổ biến chỉ định cho mỗi người dùng và mục một vectơ và dự đoán ưu tiên từ sản phẩm bên trong của họ. ALS tiềm ẩn xác định ưu tiên nhị phân p_ui cho biết liệu một tương tác có xảy ra hay không và độ tin cậy c_ui lớn hơn để có bằng chứng mạnh mẽ hơn. Một công thức đặt c_ui = 1 + alpha*r_ui cho cường độ được quan sát r_ui và độ tin cậy cơ bản cho các cặp không được quan sát. Nó giảm thiểu sai số bình phương có trọng số tin cậy cộng với việc chính quy hóa. Mã hóa chính xác và biến đổi cường độ là các lựa chọn mô hình hóa. Mục tiêu kết hợp các vectơ người dùng và vật phẩm, do đó việc tối ưu hóa trực tiếp tất cả các yếu tố cùng nhau là rất khó. Các giải pháp thay thế ALS: sửa vectơ mục và giải vectơ bình phương nhỏ nhất được chuẩn hóa của mỗi người dùng, sau đó sửa vectơ người dùng và giải quyết các cập nhật mục. Mỗi bài toán con có một giải pháp dạng đóng theo mục tiêu chung. Việc lặp lại tiếp tục cho đến khi cải thiện hoặc có quy tắc dừng khác. Các ma trận tương tác thưa thớt làm cho cách tiếp cận này trở nên thiết thực vì các cặp không được quan sát có chung đường cơ sở và các sự kiện được quan sát sẽ điều chỉnh độ tin cậy. Dữ liệu tương tác mang lại xu hướng hiển thị và mức độ phổ biến. Người dùng không thể tương tác với một mục mà họ chưa từng gặp và tần suất thô có thể đánh giá quá cao nội dung vốn đã phổ biến. Việc đánh giá nên sử dụng các số liệu phân chia và xếp hạng theo thời gian, đồng thời theo dõi phạm vi danh mục, tính mới và kết quả của người dùng. ALS tạo ra các biểu diễn tiềm ẩn và điểm số của ứng viên; nó vốn không đưa ra lời giải thích hoặc bằng chứng nhân quả rằng một đề xuất sẽ làm hài lòng người dùng. Kết hợp các ràng buộc về tính đủ điều kiện, độ an toàn và độ mới một cách riêng biệt, đồng thời theo dõi những thay đổi về tính sẵn có của mặt hàng và mô hình hành vi.

Triển khai trong thế giới thực

Một người dùng giả định nhấp vào một mục ba lần. Mô hình tiềm ẩn có thể mã hóa chỉ báo ưu tiên tích cực và gán độ tin cậy cao hơn cho một mục chỉ bằng một cú nhấp chuột ngắn, trong khi việc nhận ra các nhấp chuột vẫn có thể là ngẫu nhiên.

Người dùng chưa xem một mục danh mục. Hệ thống coi đây là bằng chứng bị thiếu chứ không phải bằng chứng không thích vì người dùng có thể chưa bao giờ nhìn thấy mặt hàng đó.

Trong ALS, mô hình giữ cố định các yếu tố mục trong khi giải các bài toán bình phương nhỏ nhất chính quy cho các yếu tố người dùng, sau đó giữ cố định người dùng trong khi giải quyết các yếu tố mục. Các bản cập nhật xen kẽ làm giảm mục tiêu chung cho đến khi đáp ứng được tiêu chí dừng.

Một nhà phân tích so sánh các đề xuất với tỷ lệ nắm giữ dựa trên thời gian và đo lường chất lượng xếp hạng cũng như phạm vi danh mục, vì chỉ việc xây dựng lại các tương tác được quan sát có thể ưu tiên các mặt hàng phổ biến.

Tương lai của phản hồi ngầm và bình phương nhỏ nhất xen kẽ

Những người đề xuất ngầm có thể cải thiện khi nhật ký ghi lại những gì người dùng thực sự được hiển thị chứ không chỉ những gì họ đã nhấp vào. Điều này giúp phân biệt sự thiếu quan tâm với sự thiếu tiếp xúc và hỗ trợ đánh giá đáng tin cậy hơn. Các nhóm nên so sánh các chuyển đổi về cường độ sự kiện, theo dõi mức độ tập trung phổ biến và mức độ bao phủ danh mục, đồng thời xác thực các tương tác trong tương lai. Những lời giải thích mang tính con người không nên phóng đại các yếu tố tiềm ẩn làm lý do cho một khuyến nghị. Khi danh mục và hành vi của người dùng thay đổi, các bộ lọc đào tạo lại và an toàn phải duy trì các mục tiêu về tính đủ điều kiện và tính đa dạng bên cạnh mức độ phù hợp. Theo dõi các sự kiện tiếp xúc và kiểm soát quyền riêng tư của người dùng.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the Implicit Feedback and Alternating Least Squares quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Phản hồi ngầm và bình phương tối thiểu xen kẽ là gì?

Những người đề xuất phản hồi ngầm học hỏi từ các hành vi như nhấp chuột, phát và mua hàng, trong đó không có xếp hạng rõ ràng nào được cung cấp. Bình phương tối thiểu xen kẽ (ALS) ước tính các yếu tố tiềm ẩn của người dùng và vật phẩm trong khi tính trọng số cho các tương tác được quan sát theo độ tin cậy, nhưng tương tác bị thiếu thường có nghĩa là ưu tiên không xác định thay vì xếp hạng tiêu cực.

Tương tác giữa người dùng và mục không được quan sát thường được diễn giải như thế nào trong phản hồi ngầm?

Người dùng có thể chưa từng tiếp xúc với sản phẩm đó, vì vậy việc không có hành vi không tạo nên sở thích tiêu cực.

Trọng số tin cậy c_ui thể hiện điều gì trong ALS tiềm ẩn?

Trọng số độ tin cậy chi phối mức độ xử phạt của mô hình đối với mỗi lần quan sát tùy chọn mục của người dùng.

ALS xen kẽ giữa việc giải quyết là gì?

Các bản cập nhật xen kẽ tối ưu hóa một ma trận yếu tố tại một thời điểm trong khi vẫn giữ cố định ma trận kia.

Tại sao việc coi tất cả các cặp không được quan sát là không thích lại có thể gây hiểu nhầm?

Không có tương tác nào có thể phản ánh việc không có cơ hội xem một mặt hàng hơn là một sở thích tiêu cực.

Thuật ngữ khách quan nào giới hạn tầm quan trọng của các yếu tố người dùng và vật phẩm?

Các thuật ngữ chính quy hóa giới hạn độ lớn của hệ số và giúp kiểm soát việc trang bị quá mức.