AI Ukraine: Доклад Сергея Николенко

Свой доклад на конференции AI Ukraine Сергей Николенко, старший научный сотрудник Лаборатории интернет-исследований НИУ ВШЭ, посвятил коллаборативной фильтрации (collaborative filtering), матричным разложениям и расширениям рекомендательных систем, передает корреспондент DataReview в Харькове.

По словам эксперта, задача рекомендательной системы машинного обучения – предсказать оценки (рейтинги, отклики) предмета, зная признаки пользователя для всех элементов базы.

«Один класс рекомендательных систем основан на рекомендациях от ближайших соседей — пользователей, которые более всего похожи на вас. Чтобы это могло масштабироваться, в действительно больших рекомендательных системах используют приближенные методы поиска ближайших соседей, основанные на LSH (locality sensitive hashing)», — в частности, рассказал Николенко.

«Другой класс основан на различных разложениях матрицы рейтингов, выставленных пользователями, в произведение прямоугольных матриц
признаков пользователей и продуктов (при этом матрица рейтингов приближается матрицей малого ранга)», — добавил он.

При этом в процессе построения вероятностной модели очень важно не допускать переобучения (overfitting) , уверен эксперт.

Сергей Николаенко AI Ukraine

Что же касается матричного разложения с применением PCA (анализа главных компонентов) – по словам Николенко, оно является одним из самых популярных методов сокращения размерности.

При наличии рейтингов эффективно также SVD (сингулярное разложение). Если же рейтингов нет, то используется NMF (неотрицательное разложение), в результате которого можно получить признаки, более доступные для интерпретации.

Говоря о коллаборативной фильтрации, самой большой ее проблемой Николенко назвал «холодный старт» (cold start), когда в строках и столбцах матрицы недостаточно много известных значений.

Напомним, сегодня, 25 октября, в Харькове проходит конференция AI Ukraine. Следите за новостями на нашем сайте!

Добавить комментарий

Ваш e-mail не будет опубликован.

закрыть

Поделиться

Отправить на почту
закрыть

Вход

закрыть

Регистрация

+ =