Downloaded 19 times
Uploaded byYandex
Настоящее и будущее рекомендательных систем. Михаил Ройзнер
Документ обсуждает развитие и будущее рекомендательных систем, начиная с примера конкурса Netflix Prize, где применялись новые методы, такие как SVD и RBM, для улучшения качества предсказаний. Подчеркивается, что точность рекомендаций зависит не только от предсказания оценок, но и от других факторов, включая контекст и метаинформацию. Также рассматриваются потенциальные источники данных и необходимость использования социальных сетей и носимых устройств для достижения идеальных рекомендаций.
Настоящее и будущее рекомендательных систем. Михаил Ройзнер
- 2. Настоящее и будущее рекомендательныхсистем Михаил Ройзнер
- 3.
- 4.
- 5.
- 6. Ты помнишь, каквсё начиналось…
- 7.
- 8. Netflix Prize 〉 2006–2009 〉100 млн оценок 〉 Задача: улучшить качество предсказания оценки пользователя на 10% 〉 $1 000 000 netflixprize.com 8
- 9. Похожим пользователям —похожие фильмы 9
- 10. Похожим пользователям —похожие фильмы 9 Стражи галактики Вася ?
- 11. Похожим пользователям —похожие фильмы 9 Стражи галактики Вася ? Катя Люди Икс Мстители Железный человек Капитан Америка Света Маша Петя 4 3 5 5 4 4 5 4 5 4 4 4 4 4 5 5 5 4 3 5
- 12. Похожим пользователям —похожие фильмы 9 Стражи галактики Вася Катя Люди Икс Мстители Железный человек Капитан Америка Света Маша Петя 4 3 5 5 4 4 5 4 5 4 4 4 4 4 5 5 5 4 3 5 4.6
- 13. Singular Value Decomposition(SVD) 10 ≈ Users Movies × Users Movies d d U IR
- 14. Композиции алгоритмов 11 User-based Item-basedSVD RBM X k ↵kfk
- 15.
- 16.
- 17.
- 18. Выводы из NetflixPrize 13
- 19. Выводы из NetflixPrize 〉 Новые методы, такие как SVD и RBM, работают лучше стандартных корреляционных моделей. 13
- 20. Выводы из NetflixPrize 〉 Новые методы, такие как SVD и RBM, работают лучше стандартных корреляционных моделей. 〉 Алгоритмы можно объединять в композиции. 13
- 21. Выводы из NetflixPrize 〉 Новые методы, такие как SVD и RBM, работают лучше стандартных корреляционных моделей. 〉 Алгоритмы можно объединять в композиции. 〉 Самые точные методы оказались слишком сложны для масштабирования и внедрения. 13
- 22. Выводы из NetflixPrize 〉 Новые методы, такие как SVD и RBM, работают лучше стандартных корреляционных моделей. 〉 Алгоритмы можно объединять в композиции. 〉 Самые точные методы оказались слишком сложны для масштабирования и внедрения. 〉 Качество рекомендаций зависит не только от качества предсказания оценок, но и от других характеристик. 13
- 23.
- 24.
- 25.
- 26.
- 27.
- 28. Разнообразие iPhone 6 Black64Gb 17 iPhone 6 Silver 64GbiPhone 6 Black 16Gb
- 29.
- 30.
- 31.
- 36. SVD помогает объяснятьрекомендации 22 i1, i2) = cos ↵ = hi1, i2i ki1kki2k sim(i1, i2) = cos ↵ = hi1, i2i ki1kki2k sim(i1, i2) = cos ↵ = hi1, i2i ki1kki2k sim(i1, i2) = cos ↵ = hi1, i2i ki1kki2k item 1 item 2
- 37.
- 38. Pandora 〉 Music GenomeProject 〉 450 атрибутов треков 〉 20–30 минут на один трек 24
- 39. István Pilászy, DomonkosTikk, 2009 http://dl.acm.org/citation.cfm?id=1639731 Recommending New Movies: Even a Few Ratings Are More Valuable Than Metadata
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46. Контекст в SVD— тензорные разложения 29 Users Items Context
- 47. Контекст в SVD— тензорные разложения 29 Users Items Context U I C d d Context Items Users d
- 48. Контекст в SVD— тензорные разложения 29 Users Items Context bruic = dX k=1 ukikckU I C d d Context Items Users d
- 49.
- 50. Spotify 〉 Анализ аудиосигналатреков 〉 Извлечение атрибутов с помощью свёрточных нейронных сетей http://benanne.github.io/2014/08/05/spotify-cnns.html 31
- 51. eBay 〉 Фотографии изблогов о моде 〉 Распознавание предметов одежды 〉 Модель сочетаемости одежды по её характеристикам http://arxiv.org/abs/1401.1778 32
- 52. eBay 〉 Фотографии изблогов о моде 〉 Распознавание предметов одежды 〉 Модель сочетаемости одежды по её характеристикам http://arxiv.org/abs/1401.1778 32
- 53. YouTube 〉 Тематическое моделирование потекстовым данным 〉 Поисковые запросы, описания роликов, комментарии 〉 Вовлеченность пользователей увеличилась на 80% http://dl.acm.org/citation.cfm?id=2623344 33
- 54. YouTube 〉 Тематическое моделирование потекстовым данным 〉 Поисковые запросы, описания роликов, комментарии 〉 Вовлеченность пользователей увеличилась на 80% http://dl.acm.org/citation.cfm?id=2623344 33
- 55. Внешние и внутренниеданные в одной модели 34 items users words items 1 1 1 1 11 1 11
- 56. Внешние и внутренниеданные в одной модели 34 items users words items 1 1 1 1 11 1 11 SVD
- 57. Внешние и внутренниеданные в одной модели 34 items users words items 1 1 1 1 11 1 11 SVD LDA
- 58. Внешние и внутренниеданные в одной модели 34 items users words items 1 1 1 1 11 1 11 SVD LDA
- 59.
- 60.
- 61.
- 62.
- 63. Знания о пользователях Телефоны 36 НосимыеустройстваСоциальные сети
- 64.
- 65.
- 66.
- 67.
- 68.
- 69. Михаил Ройзнер Руководитель группыразработки рекомендательных систем Контакты @mroizner roizner@yandex-team.ru