CLImF アルゴリズムを使用して推奨システムを設計する方法

[51CTO.com からのオリジナル記事] 2010 年以降、レコメンデーション システムの分野ではさまざまなランキング学習手法が登場しました。いわゆるランキング学習とは、レコメンデーションシステムの機械学習アルゴリズムによって最適化される指標が、特定のスコアではなく、ユーザーに推奨されるアイテムのランキングであることを意味します。ランキング学習の問題を解決するアイデアは、一般的に、情報検索の分野で最適化が必要な指標を最初に提案し、次にそれを最適化するというものです。この指標は通常は滑らかではないため、最初に近似して滑らかな関数にする必要があります。情報検索指標が異なれば、生成されるアルゴリズムも異なります。この記事で紹介されているアルゴリズムは、Collaborative Less is More Filtering (CLimF) と呼ばれ、2013 年に人工知能に関する権威ある会議 IJCAI で発表されました。

CLimF によって最適化された情報検索メトリックは、逆数ランク (RR) と呼ばれ、ユーザーに推奨されるアイテムのリストで最初にクリックされたアイテムのランクの逆数を指します。たとえば、システムがユーザーに 10 本の映画を推奨し、ユーザーが最初にクリックした映画がシステム内で 2 番目にランク付けされた映画であるとします。RR を使用してシステムを測定する場合、スコアは 1/2 になります。ユーザーに推奨されるアイテムのリストは、推奨システムによって与えられたスコアに応じて高いものから低いものの順に並べられるため、アイテムのランキングが高いほど、推奨システムによって好まれることになります。そのため、ユーザーがクリックしたアイテムのランキングが高いほど、推奨効果は高くなります。これが RR インジケーターを設計した本来の目的です。

CLimF が試されるシナリオは、ユーザーに推奨されるアイテムは多くないが、比較的価値がある場合です。たとえば、ソーシャル ネットワーク上の友人からの推奨では、このシナリオでは、上位 3 つまたは上位 5 つの推奨の方が通常はより価値があります。

RR の正式な定義は次のとおりです。

得られた式は滑らかな関数ですが、その複雑さは非常に高いため、実際のアプリケーションでは代替式を見つける必要があります。

***我々は確率的勾配降下法によって***化関数を解きます。

CLiMF 関数を他のアルゴリズムと比較した評価結果は次のとおりです。

CLiMF と他のアルゴリズムの比較:

• CofiRank: CofiRank は、ランキング学習を推奨システムに適用した最初のアルゴリズムです。NDCG を最適化しますが、バイナリ分類問題には適していません。
• ベイジアンパーソナライズランキング: ネガティブサンプルが必要ですが、CLiMF ではポジティブなサンプルのみが必要です

著者について:

[[263239]]

ブロックチェーン企業の科学者であり、恒昌利通のビッグデータ部門の元責任者である王昊氏は、ユタ大学で学士号/修士号を取得しています。百度、新浪、網易、豆瓣などの企業で長年の研究開発と技術管理の経験があります。機械学習、ビッグデータ、推奨システム、ソーシャルネットワーク分析などの技術に長けています。 TVCGやASONAMなどの国際会議やジャーナルに10本の論文を発表している。私の学部論文は 2008 IEEE SMI *** 論文賞を受賞しました。

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]