الترشيح التعاوني
- قدّمه
- GroupLens; Sarwar et al. (item-based); Koren et al. (matrix factorization)
- السنة
- 2001
- النوع
- Recommendation from user-item interactions
- العائلة
- Recommender systems
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
يوصي الترشيح التعاوني بالعناصر لمستخدم ما عن طريق الاستفادة من تفضيلات العديد من المستخدمين - 'الأشخاص الذين أحبوا ما أحببته أنت أحبوا هذا أيضًا'. يتعلم من مصفوفة تفاعل مستخدم-عنصر متفرقة، إما عن طريق إيجاد مستخدمين أو عناصر متشابهة (طرق الجوار، التي صاغها ساروار وآخرون في عام 2001) أو عن طريق تحليل المصفوفة إلى عوامل كامنة للمستخدم والعنصر (تحليل المصفوفة، الذي شاعته كورين وآخرون بعد جائزة نتفليكس).
الفكرة الحدسية وراء الطريقة
لا تحتاج إلى معرفة أي شيء عن محتوى العنصر لتوصيته به - فقط كيف تفاعل الناس معه. يستغل الترشيح التعاوني الأنماط في جدول ضخم، فارغ في معظمه، للمستخدمين مقابل العناصر: إذا قام مستخدمان بتقييم العديد من الأفلام بنفس الطريقة، فإن مفضلات أحدهما غير المرئية هي رهانات جيدة للآخر (قائم على المستخدم)؛ إذا تم تقييم عنصرين بشكل متشابه عبر المستخدمين، فإن الإعجاب بأحدهما يتنبأ بالإعجاب بالآخر (قائم على العنصر). يذهب تحليل المصفوفة أعمق، موضحًا كل تقييم كنتاج نقطي لمتجه 'ذوق' قصير للمستخدم ومتجه 'ملف شخصي' للعنصر، تم تعلمه لإعادة بناء التقييمات المعروفة والتنبؤ بالتقييمات المفقودة.
التاريخ
نشأ الترشيح التعاوني من مشروع GroupLens و Tapestry في التسعينيات. صاغ ساروار، وكاربيس، وكونستان، وريدل (2001) الترشيح التعاوني القائم على العنصر القابل للتوسع، وأدت جائزة نتفليكس 2006-2009 إلى طرق تحليل المصفوفة القائمة على العوامل الكامنة، والتي لخصها مقال كورين وبيل وفولينسكي المؤثر عام 2009. توسع المجال منذ ذلك الحين ليشمل التغذية الراجعة الضمنية، ونماذج المحتوى-التعاوني الهجينة، وموصيات التعلم العميق، لكن الترشيح التعاوني القائم على الجوار وتحليل المصفوفة يظلان التقنيات الأساسية.
متى تُستخدم
استخدم الترشيح التعاوني لبناء توصيات من بيانات التفاعل وحدها - منصات التجارة الإلكترونية، والبث، والأخبار، والمحتوى - عندما يكون لديك عدد كافٍ من المستخدمين والتفاعلات للكشف عن الأنماط المشتركة ولا ترغب في الاعتماد على محتوى العنصر. طرق الجوار بسيطة وقابلة للتفسير ('لأنك أحببت X')؛ تحليل المصفوفة يتوسع بشكل أفضل، ويتعامل مع التفرق، ويتنبأ عادةً بدقة أكبر. القيود الرئيسية: مشكلة البداية الباردة (لا يمكن وضع المستخدمين/العناصر الجديدة ذات التفاعلات القليلة)، التفرق وتحيز الشعبية، والحاجة إلى بيانات تفاعل كبيرة. يتجاهل الترشيح التعاوني البحت سمات العنصر/المستخدم (المحتوى)، لذلك غالبًا ما يتم دمجه مع ميزات المحتوى في موصيات هجينة؛ موصيات التغذية الراجعة الضمنية والتعلم العميق توسع نفس الفكرة. إنه مرتبط ارتباطًا وثيقًا بإكمال المصفوفة وتحليل المصفوفة غير السالب.
الحدود والاعتبارات
- البداية الباردة: لا يمكن تقديم توصيات للمستخدمين أو العناصر الجديدة التي ليس لديها تفاعلات.
- حساس للتفرق ومتحيز نحو العناصر الشائعة.
- يتجاهل سمات العنصر/المستخدم (المحتوى)، على عكس الأساليب الهجينة.
- يتطلب بيانات تفاعل كبيرة ليعمل بشكل جيد.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يحتاج فقط إلى بيانات التفاعل - لا يوجد محتوى عنصر أو هندسة ميزات.
- يلتقط أنماط ذوق دقيقة، يصعب التعبير عنها، من الحشد.
- تحليل المصفوفة يتوسع إلى مصفوفات كبيرة ومتفرقة ويتنبأ بدقة.
- توفر طرق الجوار تفسيرات قابلة للتفسير 'لأنك أحببت ...'.
التطبيقات
- توصيات المنتجات في التجارة الإلكترونية.
- توصيات الأفلام والموسيقى والفيديو على منصات البث.
- تخصيص الأخبار والمحتوى.
- اقتراحات الأصدقاء / الاتصال في الشبكات الاجتماعية.
- ميزات البيع المتقاطع و 'العملاء اشتروا أيضًا'.
كيف يعمل
كيف يعمل
المدخل هو مصفوفة مستخدم-عنصر للتقييمات أو التفاعلات الضمنية (نقرات، مشتريات). إنها متفرقة للغاية - معظم الإدخالات غير معروفة - والمهمة هي التنبؤ بالإدخالات المفقودة (كيف سيقوم المستخدم بتقييم/الإعجاب بعنصر غير مرئي) بحيث يمكن التوصية بأعلى التنبؤات.
الصيغة
R \in \mathbb{R}^{u\times i}\ \text{(ratings/interactions, mostly missing)}تحسب طرق الجوار التشابه بين المستخدمين (أو بين العناصر) من تقييماتهم المتداخلة، وعادةً ما يكون تشابه جيب التمام أو ارتباط بيرسون. التشابه العالي يعني أن مستخدمين يشاركان الذوق، أو أن عنصرين يجذبان نفس الجماهير؛ هذه التشابهات تدفع التنبؤات.
الصيغة
\text{sim}(a,b) = \dfrac{\sum_k r_{ak} r_{bk}}{\sqrt{\sum r_{ak}^2}\sqrt{\sum r_{bk}^2}}\ (\text{cosine / Pearson})يتنبأ الترشيح التعاوني القائم على العنصر بتقييم المستخدم لعنصر ما كمتوسط مرجح بالتشابه لتقييمات هذا المستخدم على عناصر مشابهة (يقوم القائم على المستخدم بنفس الشيء بشكل مماثل عبر المستخدمين المشابهين). يُفضل القائم على العنصر عادةً على نطاق واسع لأن تشابهات العنصر-العنصر أكثر استقرارًا ويمكن حسابها مسبقًا.
الصيغة
\hat r_{ui} = \dfrac{\sum_{j\in N(i)} \text{sim}(i,j)\, r_{uj}}{\sum_{j\in N(i)} |\text{sim}(i,j)|}تقوم نماذج العوامل الكامنة بتحليل مصفوفة التقييم إلى مصفوفات مستخدم وعنصر منخفضة الرتبة، بحيث يتم تقريب كل تقييم بواسطة الناتج النقطي لمتجه عوامل المستخدم ومتجه عوامل العنصر. يتم تعلم العوامل عن طريق تقليل خطأ المربعات المنظم على التقييمات المرصودة (عبر SGD أو المربعات الصغرى المتناوبة)، وهي تلتقط أبعادًا خفية للذوق، وتعمم بشكل أفضل، وتتعامل مع التفرق بشكل جيد.
الصيغة
\hat r_{ui} = p_u^\top q_i,\quad \min_{P,Q}\sum_{(u,i)\in\mathcal{K}} (r_{ui}-p_u^\top q_i)^2 + \lambda(\lVert p_u\rVert^2+\lVert q_i\rVert^2)الأخطاء الشائعة
- تجاهل مشكلة البداية الباردة في النشر (لا تحصل العناصر الجديدة على أي تعرض).
- التقييم على خطأ التقييم وحده مع تجاهل الترتيب/أعلى-N وتحيز الشعبية.
- استخدام الترشيح التعاوني القائم على المستخدم على نطاق واسع حيث يكون القائم على العنصر أو التحليل أكثر كفاءة بكثير.
- تسرب التفاعلات المستقبلية إلى التدريب عند تقسيم البيانات (يجب التقسيم حسب الوقت).
الأسئلة الشائعة
ما الفرق بين الترشيح التعاوني القائم على المستخدم والقائم على العنصر؟
يوصي الترشيح التعاوني القائم على المستخدم بالعناصر التي أحبها المستخدمون المشابهون لك؛ يوصي الترشيح التعاوني القائم على العنصر بالعناصر المشابهة (في كيفية تقييم المستخدمين لها) لتلك التي أحببتها بالفعل. يُفضل القائم على العنصر عادةً على نطاق واسع لأن تشابهات العنصر-العنصر أكثر استقرارًا بمرور الوقت ويمكن حسابها مسبقًا في وضع عدم الاتصال.
كيف يحسن تحليل المصفوفة طرق الجوار؟
يمثل المستخدمين والعناصر بمتجهات عوامل كامنة قصيرة تم تعلمها من البيانات، بحيث يكون كل تقييم هو ناتجها النقطي. هذا يلتقط أبعاد الذوق الخفية، ويتعامل مع التفرق بشكل أفضل، ويعمم بما يتجاوز الجيران المباشرين، ويتنبأ عادةً بدقة أكبر - وهذا هو سبب هيمنته على حلول جائزة نتفليكس.
ما هي مشكلة البداية الباردة؟
يعتمد الترشيح التعاوني على التفاعلات السابقة، لذلك لا يمكنه تقديم توصيات جيدة للمستخدمين أو العناصر الجديدة تمامًا التي ليس لديها أي تفاعلات. تشمل الحلول طلب التفضيلات الأولية، أو العودة إلى الشعبية، أو الدمج مع ميزات قائمة على المحتوى لا تتطلب سجل تفاعل.
طرق ذات صلة
المصادر
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. Proceedings of the 10th International Conference on World Wide Web, 285–295.
افتح مرجع DOIتم النسخ.Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37.
افتح مرجع DOIتم النسخ.