İçeriğe atla
Arama sonuçlarına dön

İşbirlikçi Filtreleme

Ortaya koyan
GroupLens; Sarwar et al. (item-based); Koren et al. (matrix factorization)
Yıl
2001
Tür
Recommendation from user-item interactions
Aile
Recommender systems

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

İşbirlikçi filtreleme, birçok kullanıcının tercihlerinden yararlanarak bir kullanıcıya öğeler önerir — 'sizin beğendiklerinizi beğenenler bunu da beğendi'.

Seyrek bir kullanıcı-öğe etkileşim matrisinden, benzer kullanıcıları veya öğeleri bularak (komşuluk yöntemleri, Sarwar ve diğerleri tarafından 2001'de biçimlendirilmiştir) veya matrisi gizli kullanıcı ve öğe faktörlerine ayırarak (matris ayrıştırma, Netflix Ödülü'nden sonra Koren ve diğerleri tarafından popülerleştirilmiştir) öğrenir.

Yöntemin mantığı

Bir öğenin içeriği hakkında hiçbir şey bilmeden onu önerebilirsiniz — yalnızca insanların onunla nasıl etkileşimde bulunduğunu bilmeniz yeterlidir. İşbirlikçi filtreleme, kullanıcılar ve öğeler arasındaki devasa, çoğunlukla boş bir tablodaki örüntülerden yararlanır: iki kullanıcı birçok filmi benzer şekilde oyladıysa, birinin görülmemiş favorileri diğer için iyi bir tahmindir (kullanıcı tabanlı); iki öğe kullanıcılar arasında benzer şekilde oylandıysa, birini beğenmek diğerini beğenmeyi öngörür (öğe tabanlı). Matris ayrıştırma daha derine iner, her oylamayı kullanıcının kısa bir 'damak zevki' vektörü ile öğenin bir 'profil' vektörünün nokta çarpımı olarak açıklar, bilinen oylamaları yeniden oluşturmak ve eksik olanları tahmin etmek için öğrenilir.

Tarih

İşbirlikçi filtreleme, 1990'larda GroupLens projesi ve Tapestry'den ortaya çıktı. Sarwar, Karypis, Konstan ve Riedl (2001), ölçeklenebilir öğe tabanlı işbirlikçi filtrelemeyi biçimlendirdi ve 2006-2009 Netflix Ödülü, Koren, Bell ve Volinsky'nin etkili 2009 makalesinde özetlenen gizli-faktör matris-ayrıştırma yöntemlerini teşvik etti. Alan o zamandan beri örtük geri bildirim, hibrit içerik-işbirlikçi modeller ve derin öğrenme önericilerine genişletildi, ancak komşuluk ve matris-ayrıştırma işbirlikçi filtreleme temel teknikler olarak kaldı.

Ne zaman kullanılır?

İşbirlikçi filtrelemeyi, yalnızca etkileşim verilerinden — e-ticaret, akış, haber ve içerik platformları — yeterli kullanıcı ve etkileşiminiz olduğunda ve öğe içeriğine güvenmek istemediğinizde öneriler oluşturmak için kullanın. Komşuluk yöntemleri basit ve yorumlanabilirdir ('X'i beğendiğiniz için'); matris ayrıştırma daha iyi ölçeklenir, seyrekliği idare eder ve genellikle daha doğru tahminler yapar. Temel sınırlamalar: soğuk başlangıç problemi (etkileşimleri olmayan yeni kullanıcılar/öğeler yerleştirilemez), seyrekliği ve popülerlik yanlılığı ve önemli miktarda etkileşim verisine ihtiyaç duyulması. Saf işbirlikçi filtreleme, öğe/kullanıcı özniteliklerini göz ardı eder, bu nedenle genellikle hibrit önericilere içerik özellikleriyle birleştirilir; örtük geri bildirim ve derin öğrenme önericileri aynı fikri genişletir. Matris tamamlama ve NMF ile yakından ilişkilidir.

Sınırlar ve dikkat edilmesi gerekenler

  • Soğuk başlangıç: etkileşimleri olmayan yeni kullanıcılar veya öğeler için öneri yapamaz.
  • Seyrekliği ve popüler öğelere yönelik yanlılığa duyarlıdır.
  • Hibrit yaklaşımların aksine, öğe/kullanıcı özniteliklerini (içerik) göz ardı eder.
  • İyi çalışması için önemli miktarda etkileşim verisi gerektirir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Yalnızca etkileşim verisi gerektirir — öğe içeriği veya özellik mühendisliği yok.
  • Kalabalıktan ince, ifade edilmesi zor damak zevki örüntülerini yakalar.
  • Matris ayrıştırma, büyük, seyrek matrislere ölçeklenir ve doğru tahminler yapar.
  • Komşuluk yöntemleri, yorumlanabilir 'beğendiğiniz için…' açıklamaları sunar.

Uygulama alanları

  • E-ticarette ürün önerileri.
  • Akış platformlarında film, müzik ve video önerileri.
  • Haber ve içerik kişiselleştirme.
  • Sosyal ağlarda arkadaş / bağlantı önerileri.
  • Çapraz satış ve 'müşteriler de şunu aldı' özellikleri.

Nasıl çalışır?

Nasıl çalışır?

1

Girdi, oylama veya örtük etkileşimlerin (tıklamalar, satın almalar) bir kullanıcı-öğe matrisidir. Son derece seyrektir — çoğu girdi bilinmemektedir — ve görev, eksik girdileri tahmin etmektir (bir kullanıcının görülmemiş bir öğeyi nasıl oylayacağı/beğeneceği), böylece en iyi tahminler önerilebilir.

Formül
R \in \mathbb{R}^{u\times i}\ \text{(ratings/interactions, mostly missing)}
2

Komşuluk yöntemleri, tipik olarak kosinüs benzerliği veya Pearson korelasyonu ile, örtüşen oylamalarından kullanıcılar (veya öğeler) arasındaki benzerliği hesaplar. Yüksek benzerlik, iki kullanıcının damak zevkinin aynı olduğunu veya iki öğenin aynı kitleleri çektiğini gösterir; bu benzerlikler tahminleri yönlendirir.

Formül
\text{sim}(a,b) = \dfrac{\sum_k r_{ak} r_{bk}}{\sqrt{\sum r_{ak}^2}\sqrt{\sum r_{bk}^2}}\ (\text{cosine / Pearson})
3

Öğe tabanlı işbirlikçi filtreleme, bir kullanıcının bir öğe için oylamasını, o kullanıcının benzer öğeler üzerindeki oylamalarının benzerlik ağırlıklı ortalaması olarak tahmin eder (kullanıcı tabanlı, benzer kullanıcılar üzerinden analoğu yapar). Öğe tabanlı, ölçekte genellikle tercih edilir çünkü öğe-öğe benzerlikleri daha kararlıdır ve önceden hesaplanabilir.

Formül
\hat r_{ui} = \dfrac{\sum_{j\in N(i)} \text{sim}(i,j)\, r_{uj}}{\sum_{j\in N(i)} |\text{sim}(i,j)|}
4

Gizli-faktör modelleri, derecelendirme matrisini düşük dereceli kullanıcı ve öğe matrislerine ayırır, böylece her derecelendirme bir kullanıcı-faktör vektörü ve bir öğe-faktör vektörünün nokta çarpımı ile yaklaştırılır. Faktörler, gözlemlenen derecelendirmeler üzerindeki düzenlenmiş karesel hatayı en aza indirerek öğrenilir (SGD veya alternatif en küçük kareler aracılığıyla) ve damak zevkinin gizli boyutlarını yakalar, daha iyi genelleştirir ve seyrekliği iyi idare eder.

Formül
\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)

Sık yapılan hatalar

  • Dağıtımda soğuk başlangıç problemini göz ardı etmek (yeni öğeler maruz kalmaz).
  • Sıralama/en iyi N ve popülerlik yanlılığını göz ardı ederken yalnızca derecelendirme hatası üzerinde değerlendirme yapmak.
  • Öğe tabanlı veya ayrıştırmanın çok daha verimli olduğu ölçekte kullanıcı tabanlı CF kullanmak.
  • Verileri bölerken gelecekteki etkileşimleri eğitime sızdırmak (zamana göre bölmek gerekir).

Sık sorulan sorular

Kullanıcı tabanlı ve öğe tabanlı işbirlikçi filtreleme arasındaki fark nedir?

Kullanıcı tabanlı CF, size benzer kullanıcıların beğendiği öğeleri önerir; öğe tabanlı CF, beğendiğiniz öğelere benzer (kullanıcıların onları nasıl oyladığı açısından) öğeleri önerir. Öğe tabanlı, öğe-öğe benzerlikleri zaman içinde daha kararlı olduğu ve çevrimdışı olarak önceden hesaplanabildiği için ölçekte genellikle tercih edilir.

Matris ayrıştırma, komşuluk yöntemlerini nasıl iyileştirir?

Kullanıcıları ve öğeleri verilerden öğrenilen kısa gizli-faktör vektörleriyle temsil eder, böylece her derecelendirme onların nokta çarpımıdır. Bu, gizli damak zevki boyutlarını yakalar, seyrekliği daha iyi idare eder, doğrudan komşuların ötesine genelleştirir ve tipik olarak daha doğru tahminler yapar — bu yüzden Netflix Ödülü çözümlerine hakim oldu.

Soğuk başlangıç problemi nedir?

İşbirlikçi filtreleme geçmiş etkileşimlere dayanır, bu nedenle yepyeni kullanıcılar veya hiç etkileşimi olmayan öğeler için iyi öneriler yapamaz. Çözümler arasında başlangıç tercihlerini sormak, popülerliğe geri dönmek veya etkileşim geçmişi gerektirmeyen içerik tabanlı özelliklerle hibritleştirmek yer alır.

İlgili yöntemler

Kaynaklar

  1. 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.

    DOI kaynağını aç
    Kopyalandı.
  2. Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37.

    DOI kaynağını aç
    Kopyalandı.