Рекомендательные Системы, Лекция 1

• Первая лекция курса по рекомендательным системам.  

• Приветствуется любая обратная связь.  

• План лекции: обсуждение рекомендательных систем, моделей и формальной постановки.  

• Рекомендательные системы имеют разные ответвления и подходы.  

• Первые рекомендательные алгоритмы появились в 90-х.  

• Формальное определение рекомендательной системы: пользователи рекомендуют атомы.  

• Пример: соревнование Netflix Prize 2006-2009.  

• Приз: 1 миллион долларов за улучшение рекомендаций на 10% по метрике RMS.  

• Netflix адаптировал решение из второго места.  

• Историческое и современное определения рекомендательных систем.  

• Александр Тужилин и контекст-ориентированные рекомендации.  

• В курсе будет рассмотрена другая аннотация.  

• Рекомендательные системы помогают бизнесу и пользователям.  

• Примеры: Amazon и Netflix.  

• Рекомендации помогают находить интересные товары и контент.  

• Рекомендации помогают пользователям находить то, что им интересно.  

• Пример: увеличение числа участников курса.  

• Рекомендации поощряют разнообразие контента и помогают новым артистам.  

• Таблица с основными направлениями рекомендательных моделей.  

• Цель курса: четкое разделение методов рекомендательных систем.  

• Пример неперсонализированных моделей: рекомендации на YouTube без профиля пользователя.  

• Три основных направления: коллаборативная фильтрация, контент-на-основанные методы и гибридные методы.  

• Коллаборативная фильтрация использует историю взаимодействий пользователей для рекомендаций.  

• Контент-на-основанные методы опираются на контент, например, звучание песни, для предсказаний.  

• Гибридные методы комбинируют коллаборативную и контент-на-основанные фильтрации.  

• Формальная постановка задачи: конечное множество пользователей и атомов, матрица взаимодействия пользователей с атомами.  

• Матрица заполнена частично, задача - заполнить её.  

• Два вида фидбека: экспресс-фидбек и бинарный фидбек.  

• Экспресс-фидбек: количественная оценка рекомендаций пользователями.  

• Бинарный фидбек: информация о просмотре или покупке товара без оценки.  

• Элементы множества пользователей: имбединг пользователя, признаки пользователей пол, возраст, доход.  

• Использование этих элементов для рекомендаций.  

• Предсказание неизвестных элементов матрицы.  

• Ранжирование рекомендаций для каждого пользователя или атома.  

• Фокус на ранжировании рекомендаций для атомов, так как это более полезно для бизнеса.  

• Обсуждение оценки качества рекомендаций.  

• В рекомендациях используются специфические метрики.  

• Рассматриваются две популярные метрики: энди си джи и престиж.  

• Эти метрики учитывают позицию рекомендации в списке.  

• Энди си джи учитывает логарифм позиции рекомендации.  

• Пользователи чаще выбирают первые элементы списка.  

• Метрика дисконтирует ответ на позицию рекомендации.  

• Пример с пятью рекомендациями.  

• Релевантность рекомендаций оценивается как 0 или 1.  

• Метрика нормируется для получения энди си джи.  

• Престиж учитывает первые релевантные рекомендации.  

• Метрика проходит по всем позициям рекомендаций.  

• Престиж усредняется по пользователям.  

• Хитрейт показывает процент релевантных рекомендаций.  

• Эрар берет порядковый номер первого релевантного элемента.  

• Эти метрики используются для оценки моделей.  

• Оценка моделей включает сбор данных и разбиение на тренировочные и тестовые наборы.  

• Важно избегать заглядывания в будущее при разбиении данных.  

• Разные цели рекомендательных систем требуют разных подходов к оптимизации.  

• Важно иметь гипотезу для экспериментов.  

• Параметры модели должны быть фиксированы и проверены на разных наборах данных.  

• Оценка рекомендаций может проводиться на живых пользователях или с помощью юзер стадии.  

• Вопрос о существовании эраль подхода в рекомендациях.  

• Подход может быть полезен для адаптации рекомендаций под интересы пользователей.  

• Методы, такие как многорукие бандиты, будут рассмотрены в курсе.  

• Базлайн используется для сравнения моделей.  

• Обычно это не персонализованные модели или константа.  

• Базлайн помогает оценить качество рекомендаций.  

• Выделены две книги: одна теоретическая, другая практическая.  

• Первая книга содержит общее описание и нотацию.  

• Вторая книга содержит больше упражнений.  

• Упоминаются статьи Дома и Тужилина.  

• Обзор по оценке рекомендательных систем.  

• Эти источники относятся к первой лекции.  

• На первой лекции разобраны основы.  

• Планируется две домашние работы для оценки.  

• К шестой лекции будут рассмотрены классические алгоритмы и бандиты.  

• Курс может обновляться по ходу.  

• Важно получать обратную связь от студентов.  

• Политика курса направлена на интерес и полезность для всех.  

• Благодарность за участие.  

• Обсуждение организационных вопросов.  

• Завершение трансляции.