recherche
MaisonPériphériques technologiquesIAApprenez bien l'algèbre linéaire et jouez avec les systèmes de recommandation

Apprenez bien l'algèbre linéaire et jouez avec les systèmes de recommandation

Mar 19, 2024 pm 02:52 PM
抖音人工智能区块链大语言模型matmat

Auteur | Wang Hao

Chonglou

En parlant de 21 La technologie Internet du siècle, sauf Python/Rust/Go Attendez une minute La naissance d'une série de nouveaux langages de programmation et le développement vigoureux des technologies de recherche d'informations sont également un point culminant. Le premier modèle commercial purement technologique sur Internet était la technologie des moteurs de recherche représentée par Google et Baidu. Cependant, ce à quoi tout le monde ne s’attend pas, c’est que le système de recommandation est né il y a longtemps. Dès 1992 , le premier système de recommandation de l'histoire de l'humanité a été publié sous la forme d'un article. À cette époque, Google et Baidu n'étaient pas encore nés.

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

n'est pas considéré comme une nécessité rigide comme les moteurs de recherche, et de nombreuses licornes sont rapidement nées. Les entreprises technologiques ayant des systèmes de recommandation comme technologie de base n'apparaîtront qu'avec la montée en puissance de Toutiao et Douyin à l'ère 2010 . Il ne fait aucun doute que Toutiao et Douyin sont devenues les entreprises représentatives les plus performantes dans les systèmes de recommandation. Si le moteur de recherche de technologie de recherche d'informations de première génération a été préempté par les Américains, alors le système de recommandation de technologie de recherche d'informations de deuxième génération est fermement contrôlé par les Chinois. Et nous rencontrons maintenant la troisième génération de technologie de recherche d'informations —— recherche d'informations basée sur de grands modèles de langage. À l’heure actuelle, les premiers acteurs sont les pays européens et américains, mais la Chine et les États-Unis avancent actuellement ensemble.

Ces dernières années, la conférence faisant autorité dans le domaine des systèmes de recommandation RecSys a fréquemment décerné le prix du meilleur article à Sequential Recommendation (Sequential Recommendation). Cela montre que ce domaine accorde de plus en plus d’attention aux applications verticales. Il existe une application verticale du système de recommandation qui est si importante, mais elle n'a pas fait d'énormes vagues jusqu'à présent. Ce domaine est la recommandation basée sur des scénarios (Context-aware Recommendation), appelée CARS. Nous voyons occasionnellement des WORKSHOP de CARS , mais ces Workshop ne produisent pas plus de 10 papiers chaque année, ce qui est une poignée.

VOITURES A quoi peut-il servir ? Tout d'abord, CARS est déjà utilisé par des entreprises de restauration rapide comme Burger King. Il peut également recommander de la musique aux utilisateurs en fonction de la scène pendant la conduite de la voiture. De plus, on peut y réfléchir, est-il possible pour nous de recommander des plans de voyage aux utilisateurs en fonction des conditions météorologiques ? Ou recommander des repas aux utilisateurs en fonction de leur condition physique ? En fait, tant que nous laissons libre cours à notre imagination, nous pouvons toujours trouver différentes applications pratiques pour CARS .

Cependant, la question se pose, puisque CARS est si largement utilisé, pourquoi si peu de gens publient des articles ? La raison est simple, car il n'existe presque aucun ensemble de données publiques disponible pour CARS . Actuellement, le meilleur ensemble de données publiques de CARS est l'ensemble de données LDOS-CoMoDa de Slovénie. En dehors de cela, il est difficile de trouver d’autres ensembles de données. LDOS-CoMoDa fournit des données sur la scène des utilisateurs lorsqu'ils regardent des films sous forme d'enquêtes, permettant ainsi aux chercheurs de s'engager dans des recherches CARS . Le moment où les données doivent être divulguées se situe entre 2012 et 2013 , mais actuellement, très peu de gens connaissent cette collecte de données.

Retour aux affaires, cet article présente principalement l'algorithme MatMat / MovieMat et l'algorithme PowerMat . Ces algorithmes sont des outils puissants pour résoudre le problème des CARS . Voyons d'abord comment MatMat définit le problème CARS  : Nous redéfinissons d'abord la matrice d'évaluation des utilisateurs, et nous remplaçons chaque valeur de notation de la matrice d'évaluation des utilisateurs par une matrice carrée. Les éléments diagonaux de la matrice carrée sont les valeurs de score d'origine et les éléments hors diagonale sont des informations sur la scène.

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

Nous définissons ci-dessous la fonction de perte de l'algorithme MatMat , qui modifie la fonction de perte de décomposition matricielle classique et a la forme suivante :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

U et V sont toutes deux des matrices. De cette façon, nous modifions le produit scalaire vectoriel dans la factorisation matricielle d’origine. Transformez la multiplication de points vectoriels en multiplication matricielle. Prenons l'exemple suivant :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

Nous avons effectué une expérience de comparaison des performances sur MovieLens Small Dataset et avons obtenu les résultats suivants :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

Comme vous pouvez le voir, MatMat L'effet de l'algorithme est meilleur que l'algorithme de décomposition matricielle classique. Vérifions à nouveau l'équité du système de recommandation :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

On constate que MatMat fonctionne toujours bien en termes d'indicateurs d'équité. Le processus de résolution de MatMat est relativement compliqué. Même l'auteur qui a inventé l'algorithme n'a pas écrit le processus de dérivation dans l'article. Mais comme le dit le proverbe, si vous apprenez bien l’algèbre linéaire, vous n’aurez pas peur de voyager partout dans le monde. Je pense que les lecteurs intelligents seront capables de dériver les formules pertinentes et de mettre en œuvre cet algorithme. MatMat L'adresse originale de l'article sur l'algorithme se trouve au lien suivant : https://www.php.cn/link/9b8c60725a0193e78368bf8b84c37fb2 . Cet article est le prix du meilleur rapport papier de la Conférence académique internationale IEEE ICISCAE 2021 . L'algorithme

MatMat est appliqué dans le domaine de la recommandation de films basée sur des scènes. L'instance de film de cet algorithme est nommée MovieMat. La matrice de notation de MovieMat est définie comme suit :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

L'auteur a ensuite mené une expérience comparative :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

sur le LDOS-CoMoDa ensemble de données, MovieMat atteint des performances bien supérieures à celles de la décomposition matricielle classique. Jetons un coup d'œil aux résultats de l'évaluation de l'équité :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

En termes d'équité, la décomposition matricielle classique a obtenu de meilleurs résultats que MovieMat . L'article original de MovieMat peut être trouvé sur le lien suivant : https://www.php.cn/link/f4ec6380c50a68a7c35d109bec48aebf .

Nous rencontrons parfois de tels problèmes. Que devons-nous faire lorsque nous arrivons à un nouvel emplacement et que nous disposons uniquement de données de scène mais pas de données d'évaluation des utilisateurs ? Peu importe, Ratidar Technologies LLC (Beijing Daping Qizhi Network Technology Co., Ltd. ) a inventé l'algorithme CARS basé sur l'apprentissage zéro tir - PowerMat. L'article original de PowerMat peut être trouvé sur le lien suivant : https://www.php.cn/link/1514f187930072575629709336826443 . L'inventeur de

PowerMat a emprunté MAP et DotMat et a défini la fonction MAP suivante :

U Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

est l'utilisateur Le vecteur de caractéristiques,

V est le vecteur de caractéristiques de l'élément, R est la valeur d'évaluation de l'utilisateur et C est la variable de scène. Concrètement, on obtient la formule suivante :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

En utilisant la descente de gradient stochastique pour résoudre ce problème, nous obtenons la formule suivante :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

Grâce à l'observation, nous avons constaté qu'il n'y a pas de variables liées aux données d'entrée dans cet ensemble de formules, donc PowerMat est un algorithme d'apprentissage zéro-shot lié uniquement aux scénarios. Cet algorithme peut être appliqué dans les scénarios suivants : les touristes prévoient de se rendre à un certain endroit, mais n'y sont jamais allés, ils ne disposent donc que de données de scène telles que la météo. Nous pouvons utiliser PowerMat pour recommander des attractions à enregistrer. touristes, etc

Voici les données de comparaison entre PowerMat et d'autres algorithmes :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

À travers cette image, nous trouvons PowerMat et MovieMat flag Les tambours sont calmes, non Ils sont comparables, et les résultats sont meilleurs que l'algorithme de décomposition matricielle classique. L'image ci-dessous montre que même en termes d'équité index , PowerMat fonctionne toujours très bien :

Apprenez bien lalgèbre linéaire et jouez avec les systèmes de recommandation

Grâce à des expériences comparatives, nous avons constaté que PowerMat est excellent VOITURES algorithme.

Les ingénieurs de données Internet disent souvent que les données sont avant tout. Et autour de l’ère 2010 , il y avait une forte tendance sur Internet qui était haussière sur les données et baissière sur les algorithmes. CARS en est un excellent exemple. Parce que la grande majorité des gens n’ont pas accès aux données pertinentes, le développement de ce domaine a été considérablement restreint. Grâce aux chercheurs slovènes qui ont rendu publique la collecte de données LDOS-CoMoDa , nous avons l'opportunité de développer ce domaine. Nous espérons également que de plus en plus de gens s'intéressent aux voitures, à l'atterrissage des voitures et au financement des voitures ...

🎜🎜🎜 🎜 🎜Funplus 🎜🎜Responsable du Laboratoire d'Intelligence Artificielle. Il a occupé des postes de direction en matière de technologie et de technologie chez 🎜🎜ThoughtWorks🎜🎜, Douban, Baidu, Sina et d'autres sociétés. Ayant travaillé dans des sociétés Internet, des technologies financières, des jeux et d'autres sociétés pendant 🎜🎜13 🎜🎜 ans, il possède des connaissances approfondies et une riche expérience dans des domaines tels que l'intelligence artificielle, l'infographie et la blockchain. A publié 🎜🎜42 🎜🎜 articles dans des conférences et revues universitaires internationales et a remporté le 🎜🎜IEEE SMI 2008 🎜🎜Best Paper Award, 🎜🎜ICBDT 2020 / IEEE ICISCAE 2021 / AIBT 2023 / ICSIM 2024 🎜🎜Meilleur Prix ​​du rapport papier. 🎜🎜🎜🎜🎜🎜

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration
Cet article est reproduit dans:. en cas de violation, veuillez contacter admin@php.cn Supprimer
L'écart de compétences en IA ralentit les chaînes d'approvisionnementL'écart de compétences en IA ralentit les chaînes d'approvisionnementApr 26, 2025 am 11:13 AM

Le terme «main-d'œuvre prêt pour l'IA» est fréquemment utilisé, mais qu'est-ce que cela signifie vraiment dans l'industrie de la chaîne d'approvisionnement? Selon Abe Eshkenazi, PDG de l'Association for Supply Chain Management (ASCM), il signifie des professionnels capables de critique

Comment une entreprise travaille tranquillement pour transformer l'IA pour toujoursComment une entreprise travaille tranquillement pour transformer l'IA pour toujoursApr 26, 2025 am 11:12 AM

La révolution de l'IA décentralisée prend tranquillement de l'ampleur. Ce vendredi à Austin, au Texas, le Sommet de fin de partie Bittensor marque un moment pivot, en transition de l'IA décentralisée (DEAI) de la théorie à l'application pratique. Contrairement à la publicité fastueuse

NVIDIA publie des microservices NEMO pour rationaliser le développement des agents AINVIDIA publie des microservices NEMO pour rationaliser le développement des agents AIApr 26, 2025 am 11:11 AM

L'IA de l'entreprise fait face à des défis d'intégration des données L'application de l'IA de l'entreprise est confrontée à un défi majeur: la construction de systèmes qui peuvent maintenir la précision et la pratique en apprenant continuellement les données commerciales. Les microservices NEMO résolvent ce problème en créant ce que NVIDIA décrit comme "Data Flywheel", permettant aux systèmes d'IA de rester pertinents par une exposition continue aux informations de l'entreprise et à l'interaction des utilisateurs. Cette boîte à outils nouvellement lancée contient cinq microservices clés: NEMO Customizer gère le réglage fin des modèles de grands langues avec un débit de formation plus élevé. L'évaluateur NEMO fournit une évaluation simplifiée des modèles d'IA pour les repères personnalisés. NEMO Guar-Rails met en œuvre des contrôles de sécurité pour maintenir la conformité et la pertinence

L'IA dépeint une nouvelle image pour l'avenir de l'art et du designL'IA dépeint une nouvelle image pour l'avenir de l'art et du designApr 26, 2025 am 11:10 AM

AI: L'avenir de l'art et du design L'intelligence artificielle (IA) modifie le domaine de l'art et de la conception de manière sans précédent, et son impact ne se limite plus aux amateurs, mais affectant plus profondément les professionnels. Les schémas d'œuvres d'art et de conception générés par l'IA remplacent rapidement les images et les concepteurs de matériaux traditionnels dans de nombreuses activités de conception transactionnelles telles que la publicité, la génération d'images des médias sociaux et la conception Web. Cependant, les artistes et designers professionnels trouvent également la valeur pratique de l'IA. Ils utilisent l'IA comme outil auxiliaire pour explorer de nouvelles possibilités esthétiques, mélanger différents styles et créer de nouveaux effets visuels. L'IA aide les artistes et les concepteurs à automatiser les tâches répétitives, à proposer différents éléments de conception et à fournir une contribution créative. L'IA prend en charge le transfert de style, qui doit appliquer un style d'image

Comment le zoom révolutionne le travail avec l'agent AI: des réunions aux jalonsComment le zoom révolutionne le travail avec l'agent AI: des réunions aux jalonsApr 26, 2025 am 11:09 AM

Zoom, initialement connu pour sa plate-forme de vidéoconférence, dirige une révolution en milieu de travail avec son utilisation innovante de l'IA agentique. Une conversation récente avec le CTO de Zoom, XD Huang, a révélé la vision ambitieuse de l'entreprise. Définition de l'IA agentique Huang D

La menace existentielle pour les universitésLa menace existentielle pour les universitésApr 26, 2025 am 11:08 AM

L'IA va-t-elle révolutionner l'éducation? Cette question provoque une réflexion sérieuse entre les éducateurs et les parties prenantes. L'intégration de l'IA dans l'éducation présente à la fois des opportunités et des défis. Comme le note Matthew Lynch de The Tech Edvocate, Universit

Le prototype: les scientifiques américains recherchent des emplois à l'étrangerLe prototype: les scientifiques américains recherchent des emplois à l'étrangerApr 26, 2025 am 11:07 AM

Le développement de la recherche scientifique et de la technologie aux États-Unis peut faire face à des défis, peut-être en raison de coupes budgétaires. Selon la nature, le nombre de scientifiques américains postulant pour des emplois à l'étranger a augmenté de 32% de janvier à mars 2025 par rapport à la même période en 2024. Un sondage précédent a montré que 75% des chercheurs interrogés envisageaient de rechercher des emplois en Europe et au Canada. Des centaines de subventions NIH et NSF ont été licenciées au cours des derniers mois, avec les nouvelles subventions du NIH d'environ 2,3 milliards de dollars cette année, une baisse de près d'un tiers. Le projet de budget divulgué montre que l'administration Trump envisage de réduire fortement les budgets pour les institutions scientifiques, avec une réduction possible allant jusqu'à 50%. La tourmente dans le domaine de la recherche fondamentale a également affecté l'un des principaux avantages des États-Unis: attirer des talents à l'étranger. 35

Tout sur la dernière famille GPT 4.1 d'Open AI - Analytics VidhyaTout sur la dernière famille GPT 4.1 d'Open AI - Analytics VidhyaApr 26, 2025 am 10:19 AM

OpenAI dévoile la puissante série GPT-4.1: une famille de trois modèles de langage avancé conçus pour des applications réelles. Ce saut significatif en avant offre des temps de réponse plus rapides, une compréhension améliorée et des coûts considérablement réduits par rapport à T

See all articles

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

Video Face Swap

Video Face Swap

Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Outils chauds

mPDF

mPDF

mPDF est une bibliothèque PHP qui peut générer des fichiers PDF à partir de HTML encodé en UTF-8. L'auteur original, Ian Back, a écrit mPDF pour générer des fichiers PDF « à la volée » depuis son site Web et gérer différentes langues. Il est plus lent et produit des fichiers plus volumineux lors de l'utilisation de polices Unicode que les scripts originaux comme HTML2FPDF, mais prend en charge les styles CSS, etc. et présente de nombreuses améliorations. Prend en charge presque toutes les langues, y compris RTL (arabe et hébreu) ​​et CJK (chinois, japonais et coréen). Prend en charge les éléments imbriqués au niveau du bloc (tels que P, DIV),

SublimeText3 Linux nouvelle version

SublimeText3 Linux nouvelle version

Dernière version de SublimeText3 Linux

VSCode Windows 64 bits Télécharger

VSCode Windows 64 bits Télécharger

Un éditeur IDE gratuit et puissant lancé par Microsoft

Adaptateur de serveur SAP NetWeaver pour Eclipse

Adaptateur de serveur SAP NetWeaver pour Eclipse

Intégrez Eclipse au serveur d'applications SAP NetWeaver.

Navigateur d'examen sécurisé

Navigateur d'examen sécurisé

Safe Exam Browser est un environnement de navigation sécurisé permettant de passer des examens en ligne en toute sécurité. Ce logiciel transforme n'importe quel ordinateur en poste de travail sécurisé. Il contrôle l'accès à n'importe quel utilitaire et empêche les étudiants d'utiliser des ressources non autorisées.