Система рекомендаций: гибридная фильтрация

В предыдущих двух статьях мы говорили оРекомендуемая системаКонтентная фильтрация и совместная фильтрация, сегодня мы рассмотрим гибридную фильтрацию.

Чтобы избежать ограничений и проблем, связанных с одной рекомендательной технологией, и добиться более высокой производительности, рекомендательная система будет сочетать различные рекомендательные технологии.

Идея гибридной фильтрации заключается в том, что один алгоритм может компенсировать недостатки другого алгоритма, а комбинация нескольких алгоритмов будет давать рекомендации точнее и эффективнее, чем один алгоритм.

Использование нескольких методов рекомендаций может компенсировать недостатки определенного метода в модели. Комбинированный метод может быть любым из следующих: объединение результатов рекомендаций после реализации алгоритмов по отдельности, добавление фильтрации на основе содержимого к совместной фильтрации, добавление совместной фильтрации к фильтрации на основе содержимого или объединение фильтрации на основе содержимого и совместной фильтрации в одну рекомендуемую систему. .

взвешенный

Относится к взвешенной смеси результатов расчетов нескольких методов рекомендаций для создания рекомендаций. Преимущество взвешенного смешивания заключается в том, что преимущества всех методов рекомендаций напрямую используются в процессе рекомендаций, а общая производительность системы напрямую связана с процессом рекомендаций. Однако этот метод исходит из того, что для всех возможных терминов во всем пространстве соответствующие значения параметров с использованием разных методов в основном одинаковы.

выключатель

Относится к принятию различных методов рекомендаций в зависимости от предыстории проблемы и реальной ситуации. Например, используя гибридный подход рекомендаций на основе содержимого и совместной фильтрации, система сначала использует метод рекомендации на основе содержимого, и, если она не может дать рекомендацию с высокой достоверностью, затем пытается использовать метод совместной фильтрации. Из-за необходимости сравнивать критерии преобразования в различных ситуациях этот метод увеличит сложность и параметризацию алгоритма.Конечно, преимущество этого метода заключается в том, что он чувствителен к сильным и слабым сторонам различных рекомендательных методов.

Каскад

Каскадные методы используют итеративный процесс уточнения для построения порядка предпочтения среди различных элементов. Это поэтапный процесс: рекомендация первого метода улучшается другим методом. Первый метод рекомендаций выводит приблизительный список рекомендаций, который, в свою очередь, улучшается с помощью следующего метода рекомендаций. Благодаря характеру итераций от грубого к точному, каскадный метод очень эффективен и устойчив к шуму.

Комбинированный

В то же время используются различные рекомендательные технологии, чтобы дать различные результаты рекомендаций, чтобы предоставить пользователям справочную информацию. Каждый элемент имеет рекомендации из различных методов рекомендаций. При комбинированном подходе производительность отдельных элементов не всегда влияет на общую производительность частей.

Комбинация функций

Характеристики, созданные с помощью определенного метода рекомендаций, являются входными данными для другого метода рекомендаций. Преимущество этого метода заключается в том, что он не всегда полагается исключительно на источники данных для совместной фильтрации. Как правило, информация о совместной фильтрации используется в качестве дополнительного вектора признаков, а затем для этого расширенного набора данных применяется технология рекомендаций на основе содержимого. Гибридный способ объединения функций заставляет систему больше не учитывать только источник данных для совместной фильтрации, поэтому он снижает чувствительность пользователя к количеству оценок элемента, наоборот, позволяет системе иметь внутреннюю информацию о сходстве элемента. , который непрозрачен для совместной системы.

приращение функции

Выходные данные первого метода рекомендаций используются в качестве входных данных для второго метода рекомендаций. При увеличении функций функции, используемые вторым методом рекомендации, включают выходные данные первого. Принимая во внимание, что в каскаде второй метод рекомендаций не использует иерархически организованные выходные данные, полученные первым, и результаты двух методов рекомендаций смешиваются оптимизированным образом.

Смешение метаслоя

Внутренняя модель, созданная одним методом рекомендаций, используется в качестве входных данных для другого метода рекомендаций. Полученная модель всегда более информативна, чем единичный рейтинг. Гибрид мета-уровня может решить проблему разреженности при совместной фильтрации, используя всю модель, изученную с помощью первого метода, в качестве входных данных для второго метода. В отличие от инкрементной функции, инкрементная функция использует определенные функции, созданные изученной моделью, в качестве входных данных для второго алгоритма.