Настоящее и будущее рекомендательных систем. Михаил Ройзнер
•
2 likes•687 views
Настоящее и будущее рекомендательных систем
Recommended
Recommended
More Related Content
What's hot
What's hot (19)
More from Yandex
More from Yandex (20)
Настоящее и будущее рекомендательных систем. Михаил Ройзнер
- 2. Настоящее и будущее рекомендательных систем Михаил Ройзнер
- 3. amazon.com 3
- 6. Ты помнишь, как всё начиналось…
- 7. 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-based SVD RBM X k ↵kfk
- 18. Выводы из Netflix Prize 13
- 19. Выводы из Netflix Prize 〉 Новые методы, такие как SVD и RBM, работают лучше стандартных корреляционных моделей. 13
- 20. Выводы из Netflix Prize 〉 Новые методы, такие как SVD и RBM, работают лучше стандартных корреляционных моделей. 〉 Алгоритмы можно объединять в композиции. 13
- 21. Выводы из Netflix Prize 〉 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 Netflix Prize 〉 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
- 28. Разнообразие iPhone 6 Black 64Gb 17 iPhone 6 Silver 64GbiPhone 6 Black 16Gb
- 36. SVD помогает объяснять рекомендации 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. Метаинформация
- 38. Pandora 〉 Music Genome Project 〉 450 атрибутов треков 〉 20–30 минут на один трек 24
- 39. István Pilászy, Domonkos Tikk, 2009 http://dl.acm.org/citation.cfm?id=1639731 Recommending New Movies: Even a Few Ratings Are More Valuable Than Metadata
- 41. Контекст
- 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
- 50. Spotify 〉 Анализ аудиосигнала треков 〉 Извлечение атрибутов с помощью свёрточных нейронных сетей http://benanne.github.io/2014/08/05/spotify-cnns.html 31
- 51. eBay 〉 Фотографии из блогов о моде 〉 Распознавание предметов одежды 〉 Модель сочетаемости одежды по её характеристикам http://arxiv.org/abs/1401.1778 32
- 52. eBay 〉 Фотографии из блогов о моде 〉 Распознавание предметов одежды 〉 Модель сочетаемости одежды по её характеристикам http://arxiv.org/abs/1401.1778 32
- 53. YouTube 〉 Тематическое моделирование по текстовым данным 〉 Поисковые запросы, описания роликов, комментарии 〉 Вовлеченность пользователей увеличилась на 80% http://dl.acm.org/citation.cfm?id=2623344 33
- 54. YouTube 〉 Тематическое моделирование по текстовым данным 〉 Поисковые запросы, описания роликов, комментарии 〉 Вовлеченность пользователей увеличилась на 80% http://dl.acm.org/citation.cfm?id=2623344 33
- 55. Внешние и внутренние данные в одной модели 34 items users words items 1 1 1 1 11 1 11
- 56. Внешние и внутренние данные в одной модели 34 items users words items 1 1 1 1 11 1 11 SVD
- 57. Внешние и внутренние данные в одной модели 34 items users words items 1 1 1 1 11 1 11 SVD LDA
- 58. Внешние и внутренние данные в одной модели 34 items users words items 1 1 1 1 11 1 11 SVD LDA
- 61. Знания о пользователях 36 Социальные сети
- 63. Знания о пользователях Телефоны 36 Носимые устройстваСоциальные сети
- 67. Идеальные рекомендации 37 Точные Понятные Полезные
- 68. Спасибо!
- 69. Михаил Ройзнер Руководитель группы разработки рекомендательных систем Контакты @mroizner roizner@yandex-team.ru