Tiếp theoHướng dẫn tiếp theo
Bộ chứa Docker cho mô hình ML
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Công cụ đề xuất hai tháp mã hóa người dùng hoặc truy vấn và từng mục ứng cử viên riêng biệt thành các vectơ, sau đó chấm điểm một cặp theo độ tương tự của vectơ.
Nghe hướng dẫn nàyAI thuật lại · ~3 min
Bởi vì vectơ mục có thể được tính toán trước và lập chỉ mục, các mô hình hai tháp hỗ trợ truy xuất có thể mở rộng trước giai đoạn xếp hạng chi tiết hơn.
Hệ thống đề xuất thường tách việc truy xuất ứng viên khỏi việc xếp hạng. Việc truy xuất thu hẹp một danh mục lớn thành một tập hợp có thể quản lý được các mục có liên quan. Mô hình hai tháp sử dụng một bộ mã hóa cho người dùng hoặc truy vấn và một bộ mã hóa khác cho các mục ứng cử viên. Mỗi tháp biến đổi các tính năng sẵn có của nó thành một vectơ trong không gian nhúng chung. Hàm tương tự, thường là tích số chấm hoặc điểm cosine, xếp hạng các cặp ứng cử viên. Hai bộ mã hóa có thể chạy độc lập. Việc nhúng mục có thể được tính toán ngoại tuyến và được lưu trữ trong chỉ mục lân cận gần nhất. Tại thời điểm yêu cầu, tháp người dùng tạo một vectơ truy vấn và chỉ mục trả về một danh sách rút gọn. Sự tách biệt này hỗ trợ các danh mục lớn hiệu quả hơn so với việc đánh giá một mô hình liên kết sâu đối với mọi mục. Công cụ đề xuất TensorFlow mô tả kiến trúc này dưới dạng truy xuất với các mô hình truy vấn và ứng viên. Cấu trúc độc lập tạo ra sự cân bằng. Nó mở rộng quy mô truy xuất, nhưng không thể mô hình hóa trực tiếp các tương tác theo cặp tùy ý yêu cầu nhìn thấy người dùng và mục cùng nhau, trừ khi những tương tác đó được thể hiện trong mục tiêu hoặc tính năng đào tạo nhúng. Trình xếp hạng xuôi dòng có thể kết hợp các ứng viên được truy xuất với ngữ cảnh, tính năng chéo và các ràng buộc hoạt động phong phú hơn. Vấn đề thu hồi truy xuất: người xếp hạng không thể chọn một mục chưa bao giờ được truy xuất. Quá trình đào tạo thường sử dụng các tương tác tích cực và các tiêu cực được lấy mẫu hoặc theo đợt để định hình không gian nhúng. Chiến lược lấy mẫu âm tính và nhật ký phơi nhiễm ảnh hưởng đến những gì mô hình học được. Đánh giá nên đo lường khả năng thu hồi hoặc xếp hạng giữa nhóm ứng viên thực tế và kiểm tra hiệu suất khởi động nguội. Theo dõi độ mới của quá trình nhúng, làm mới chỉ mục và khả năng tương thích của phiên bản tính năng. Độ tương tự cao là điểm truy xuất chứ không phải xác suất được hiệu chỉnh hoặc bằng chứng về sở thích của người dùng. Các ràng buộc về tính đủ điều kiện, an toàn, đa dạng và chính sách nên được áp dụng trong thiết kế hệ thống. Kiến trúc này làm cho việc tìm kiếm quy mô lớn trở nên thiết thực, trong khi trải nghiệm người dùng cuối cùng phụ thuộc vào phạm vi ứng viên, chất lượng xếp hạng và đánh giá ngoài sự tương đồng ngoại tuyến.
Một ứng dụng âm nhạc giả định sẽ mã hóa hoạt động gần đây của người nghe thành một vectơ người dùng và siêu dữ liệu của mỗi bài hát thành một vectơ mục. Tìm kiếm lân cận gần nhất sẽ truy xuất các bài hát có vectơ tương tự.
Dịch vụ truy xuất tính toán trước các phần nhúng mục và tìm kiếm chúng với chỉ mục lân cận gần nhất gần đúng, tránh đánh giá mạng thần kinh đầy đủ cho mọi cặp mục người dùng tại thời điểm yêu cầu.
Sau đó, mô hình xếp hạng sẽ xem xét bối cảnh bổ sung của từng cặp cụ thể như phiên hiện tại, mức độ mới và các ràng buộc kinh doanh mà các tháp riêng biệt có thể không nắm bắt được trong quá trình truy xuất.
Một nhóm kiểm tra xem nội dung nhúng của người dùng và mục có được tạo từ các phiên bản và kích thước tương thích hay không; vectơ tiền xử lý không khớp hoặc vectơ mục cũ có thể làm giảm điểm tương tự.
Hệ thống hai tháp có thể trở nên hữu ích hơn bằng cách theo dõi việc thu hồi ứng viên, đưa tính mới mẻ và độ trễ cùng với kết quả xếp hạng cuối cùng. Các nhóm nên phiên bản các tháp và chỉ mục cùng nhau cũng như kiểm tra các thay đổi về tính năng trước khi xây dựng lại cơ sở hạ tầng truy xuất. Khi số lượng người dùng và mục tăng lên, tìm kiếm gần đúng có thể cải thiện quy mô nhưng cần được kiểm tra dựa trên việc truy xuất chính xác trên các mẫu. Một người xếp hạng riêng biệt có thể thêm ngữ cảnh trong khi vẫn duy trì giai đoạn truy xuất rõ ràng. Các báo cáo phải giải thích rằng sự tương đồng sẽ tạo ra các ứng cử viên, sau đó cho thấy các bộ lọc và xếp hạng sau này ảnh hưởng như thế nào đến những gì người dùng thực sự nhìn thấy.
Bản tin miễn phí
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
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.
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
Công cụ đề xuất hai tháp mã hóa người dùng hoặc truy vấn và từng mục ứng cử viên riêng biệt thành các vectơ, sau đó chấm điểm một cặp theo độ tương tự của vectơ. Bởi vì vectơ mục có thể được tính toán trước và lập chỉ mục, các mô hình hai tháp hỗ trợ truy xuất có thể mở rộng trước giai đoạn xếp hạng chi tiết hơn.
Hai bộ mã hóa ánh xạ độc lập các tính năng phía truy vấn và phía ứng viên vào một không gian vectơ chung.
Vì vectơ mục được tính toán độc lập nên chúng có thể được tạo ngoại tuyến và được lập chỉ mục.
Chỉ mục vectơ hỗ trợ tìm kiếm tương tự trên các phần nhúng mục được tính toán trước.
Người xếp hạng ở hạ nguồn chỉ nhìn thấy các ứng viên được trả về khi truy xuất, vì vậy các ứng viên bị bỏ lỡ không thể được phục hồi ở đó.
Mã hóa độc lập thiên về quy mô nhưng có thể không nắm bắt được các tương tác phong phú đòi hỏi cả hai bên phải cùng nhau.
Tiếp tục học hỏi
Đã chọn thêm hướng dẫn cho chủ đề này
Tiếp theoHướng dẫn tiếp theo
Bộ chứa Docker cho mô hình ML
kỹ thuật