Investigadores de Apple proponen un nuevo modelo de descomposición de tensores para el filtrado colaborativo con retroalimentación implícita
Apple researchers propose a new tensor decomposition model for collaborative filtering with implicit feedback.
La capacidad para inferir las preferencias del usuario a partir de comportamientos pasados es crucial para ofrecer sugerencias personalizadas efectivas. El hecho de que muchos productos no tengan calificaciones por estrellas hace que esta tarea sea exponencialmente más desafiante. Las acciones pasadas generalmente se interpretan en forma binaria para indicar si un usuario ha interactuado o no con un determinado objeto en el pasado. A partir de estos datos binarios, se deben hacer suposiciones adicionales para deducir las preferencias de los usuarios a partir de esta entrada encubierta.
Es razonable suponer que los espectadores disfrutan del contenido con el que han interactuado y desestiman el contenido que no ha captado su atención. Sin embargo, esta suposición rara vez es correcta en el uso real. Es posible que un consumidor no interactúe con un producto porque ni siquiera sabe que existe. Por lo tanto, es más plausible suponer que los usuarios simplemente ignoran o no les importan los aspectos con los que no pueden interactuar.
Los estudios han asumido que existe una tendencia a favorecer los productos con los que uno ya está familiarizado en lugar de aquellos con los que no lo está. Esta idea sirvió de base para el Ranking Personalizado Bayesiano (BPR, por sus siglas en inglés), una técnica para hacer recomendaciones personalizadas. En BPR, los datos se transforman en un tensor binario tridimensional llamado D, donde la primera dimensión representa a los usuarios.
- Clasificación con el Perceptrón de Rosenblatt
- Temas por Clase Utilizando BERTopic
- Esta investigación de IA presenta Point-Bind un modelo de multimodalidad 3D que alinea nubes de puntos con imágenes 2D, lenguaje, audio y video
Un nuevo estudio de Apple ha creado una variante del popular modelo básico de calificación de productos (BPR) que no se basa en la transitividad. Para la generalización, proponen una descomposición tensorial alternativa. Presentan la Descomposición Anti-simétrica en Rebanadas (SAD, por sus siglas en inglés), un novedoso modelo basado en retroalimentación implícita para la filtración colaborativa. Utilizando una perspectiva novedosa de tres vías del tensor de interacciones usuario-objeto, SAD agrega un vector latente adicional a cada objeto, a diferencia de los métodos convencionales que estiman una representación latente de los usuarios (vectores de usuario) y los objetos (vectores de objeto). Para producir interacciones entre objetos al evaluar preferencias relativas, este nuevo vector generaliza las preferencias derivadas por productos punto regulares a productos internos genéricos. Cuando el vector se colapsa a 1, SAD se convierte en un modelo de filtración colaborativa de última generación; en esta investigación, permitimos que su valor se determine a partir de los datos. La decisión de permitir que los valores del nuevo vector de objeto superen 1 tiene consecuencias de gran alcance. La existencia de ciclos en comparaciones de pares se interpreta como evidencia de que los modelos mentales de los usuarios no son lineales.
El equipo presenta un método rápido de descenso de coordenadas de grupo para la estimación de parámetros de SAD. Se utiliza el descenso de gradiente estocástico simple (SGD, por sus siglas en inglés) para obtener estimaciones precisas de parámetros rápidamente. Utilizando un estudio simulado, primero demuestran la eficacia de SGD y la expresividad de SAD. Luego, utilizando el trío anterior de recursos de libre disponibilidad, enfrentan a SAD contra siete modelos alternativos de recomendación de última generación. Este trabajo también muestra que al incorporar datos y relaciones entre entidades previamente ignorados, el modelo actualizado proporciona resultados más confiables y precisos.
Para este trabajo, los investigadores se refieren a la filtración colaborativa como retroalimentación implícita. Sin embargo, las aplicaciones de SAD no se limitan a los tipos de datos mencionados anteriormente. Por ejemplo, los conjuntos de datos con calificaciones explícitas contienen órdenes parciales que se pueden utilizar de inmediato durante el ajuste del modelo, en lugar de la práctica actual de evaluar la consistencia del modelo posteriormente.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Los programas piloto de IA buscan reducir el consumo de energía y las emisiones en el campus del MIT
- Implementar un índice de búsqueda inteligente de documentos con Amazon Textract y Amazon OpenSearch
- Primera parte del cuerpo humano derivada 3D impresa en el espacio
- Mejores prácticas de automatización de pruebas
- Cómo optimizar conjuntos de características con algoritmos genéticos
- Cómo la plataforma de VAST Data está eliminando las barreras a la innovación en IA
- DeepFace para reconocimiento facial avanzado