סקירה כללית של ההמלצות

מערכות המלצות הן אחד היישומים המוצלחים והנפוצים ביותר של למידת מכונה בעסקים. אתם יכולים להשתמש במערכת המלצות כדי לעזור למשתמשים למצוא תוכן מעניין מתוך כמות גדולה של תוכן. לדוגמה, בחנות Google Play יש מיליוני אפליקציות, וב-YouTube יש מיליארדי סרטונים, ומדי יום נוספות עוד אפליקציות ועוד סרטונים. המשתמשים יכולים להשתמש בחיפוש כדי למצוא תוכן חדש, אבל החיפוש מוגבל למונחי החיפוש שבהם הם משתמשים. מערכת המלצות יכולה להציע תוכן שמשתמשים לא חשבו לחפש בעצמם. מידע נוסף מופיע במאמר סקירה כללית על מערכות המלצה.

אלגוריתמים של למידת מכונה במערכות המלצה מסווגים בדרך כלל לקטגוריות הבאות:

  • סינון מבוסס-תוכן: משתמש בדמיון בין פריטים כדי לספק המלצות. לדוגמה, אם משתמש צופה בשני סרטונים של חתולים חמודים, מערכת ההמלצות יכולה להמליץ לו על עוד סרטונים של בעלי חיים חמודים.
  • סינון שיתופי: משתמש בדמיון בין משתמשים (על סמך שאילתות של משתמשים) כדי לספק המלצות. לדוגמה, אם משתמש א' מחפש דברים דומים לאלה שמשתמש ב' מחפש, ומשתמש ב' סימן לייק לסרטון 1, מערכת ההמלצות יכולה להמליץ על סרטון 1 למשתמש א', גם אם משתמש א' לא צפה בסרטונים דומים לסרטון 1.

מודלים של פירוק מטריצות

מודלים של פירוק מטריצות נמצאים בשימוש נרחב כשיטה של סינון שיתופי במערכות המלצה.

במודל של פירוק מטריצה, זוגות של משתמשים ופריטים ממופים למטריצה דו-ממדית, כאשר המשתמשים הייחודיים נמצאים על ציר אחד והפריטים הייחודיים נמצאים על הציר השני. הדירוגים שמשתמש נתן לפריטים נמצאים בתאים של המטריצה. לא צריך למלא את כל המשבצות במטריצה. ברוב המקרים, למשתמשים לא יהיה ערך לכל פריט. המטרה של מודל פירוק המטריצה היא ליצור שתי מטריצות קטנות וצפופות של משקלים, שכאשר מכפילים אותן זו בזו, הן נותנות קירוב של ערכי התאים במטריצה המקורית ומספקות דירוגים חזויים לתאים הריקים במטריצה.

אחת מהמטריצות הקטנות יותר מכילה את המשתמשים הייחודיים בציר אחד ואת מספר הגורמים הסמויים בציר השני, כפי שצוין באפשרות NUM_FACTORS של הצהרת CREATE MODEL. המטריצה הקטנה השנייה מכילה את הפריטים הייחודיים בציר אחד ואת מספר הגורמים הסמויים בציר השני. במטריצה הזו, המשקלים של הגורמים הסמויים נוצרים על ידי האלגוריתם שמשמש לאימון המודל, על סמך השילובים של משתמשים ופריטים ממטריצת הקלט.

מידע נוסף זמין במאמר בנושא פירוק מטריצות.

אפשר להשתמש במודל של פירוק מטריצות עם הפונקציה ML.RECOMMEND כדי ליצור המלצות.

מודלים אחרים להמלצות

כדי להרחיב את מערכת ההמלצות שמבוססת על סינון שיתופי מעבר למה שאפשר לעשות עם מודל של פירוק מטריצות, אפשר להשתמש ברשת עצבית עמוקה (DNN) ובמודלים של Wide-and-Deep עם הפונקציה ML.PREDICT כדי ליצור המלצות. המודלים האלה יכולים לשלב תכונות של שאילתות ופריטים כדי לשפר את הרלוונטיות של ההמלצות. מידע נוסף זמין במקורות המידע הבאים:

אפשר להשתמש בהגדרות ברירת המחדל בהצהרות CREATE MODEL ובפונקציות ההסקה כדי ליצור מודל המלצות ולהשתמש בו גם בלי ידע רב ב-ML. עם זאת, ידע בסיסי בפיתוח של ML, ובמודלים של המלצות בפרט, יעזור לכם לבצע אופטימיזציה של הנתונים ושל המודל כדי להשיג תוצאות טובות יותר. כדי להכיר את התהליכים והטכניקות של ML, מומלץ להיעזר במקורות המידע הבאים: