あなたの友達も見ています! Google STUDY アルゴリズムは、学生が読書に夢中になる書籍リストの推奨システムをサポートしています
私たちは、本を開くことが有益であることを常に知っています。読書は言語スキルを向上させ、新しいスキルを学ぶのに役立ちます....
読書は気分や精神的健康も改善します。定期的に読書をする人は、より一般的な知識を持ち、他文化についての理解も深まります。
さらに、楽しみのために読書することが学業の成功に関連していることが研究によって確認されています。
しかし、情報爆発の時代には、オンラインおよびオフラインの読書リソースが豊富にあります。何を読むかは難しい課題になります。
特に、読書コンテンツはさまざまな年齢層にマッチし、魅力的である必要があります。
推奨システムは、この課題に対する解決策です。読者に関連する読み物を提供し、興味を維持するのに役立ちます。
レコメンデーション システムの中核となるのは機械学習 (ML) であり、ビデオから書籍、電子商取引プラットフォームまで、さまざまなタイプのレコメンデーション システムの構築に広く使用されています。
トレーニングされた ML モデルは、ユーザーの好み、ユーザー エンゲージメント、推奨アイテムに基づいて各ユーザーに個別に推奨を行うことで、ユーザー エクスペリエンスを向上させることができます。
Google の最新の研究では、読書の社会的性質 (教育環境など) を考慮したオーディオブック コンテンツ推奨システム、つまり STUDY アルゴリズムが提案されています。
同僚が現在読んでいる内容は、その人が興味を持って読んでいる内容に大きな影響を与える可能性があるため、Google は Learning Ally と提携しています。
Learning Ally は、学生向けに厳選されたオーディオブックの大規模なデジタル ライブラリを備えた教育非営利団体で、ソーシャル レコメンデーション モデルの構築に最適です。
これにより、モデルは学生の地域的な社会グループ (教室など) に関するリアルタイム情報を活用できるようになります。
STUDY アルゴリズム
STUDY アルゴリズムは、推奨コンテンツの問題をクリック率予測問題としてモデル化する方法を採用しています。
シミュレートされたユーザーと特定の各アイテムとのインタラクション確率は次の要素に依存します:
1) ユーザーとアイテムの特性
2) ユーザーのプロジェクト インタラクション履歴シーケンス。
これまでの研究では、Transformer モデルがこの問題のモデル化に適していることが示されています。
各ユーザーが個別に扱われる場合、インタラクションのシミュレーションは自己回帰シーケンス モデリングの問題になります。
STUDY アルゴリズムは、この概念的なフレームワークを通じてデータをモデル化し、このフレームワークを拡張した最終製品です。
クリックスルー率予測問題は、個々のユーザーの過去と将来のアイテムの好みの間の依存関係をモデル化し、トレーニング中にユーザー間の類似性パターンを学習できます。
しかし、1 つの問題は、クリックスルー率の予測方法では、異なるユーザー間の依存関係をモデル化できないことです。
この目的を達成するために、Google は読書の社会的性質をモデル化できない自己回帰シーケンス モデリングの欠点を解決できる STUDY モデルを開発しました。
STUDY は、クラス内の複数の生徒が読んだ本のシーケンスを 1 つのシーケンスに接続し、それによって 1 つのモデルで複数の生徒からのデータを収集できます。
ただし、このデータ表現を Transformer でモデル化する場合は、慎重に検討する必要があります。
Transformer では、アテンション マスクは、どの入力をどの出力を予測するために使用できるかを制御するマトリックスです。
シーケンス内のすべての前のトークンを使用して、上三角アテンション行列の出力結果の予測を通知するパターン。これは通常、因果デコーダーで見られます。
ただし、STUDY モデルへのシーケンス入力は時間順ではないため、コンポーネントの各サブシーケンスは時間順にありますが、従来の因果デコーダーは適切ではなくなりました。 。
各トークンを予測しようとする際、モデルでは、シーケンス内でその前に出現する各トークンに注意を向けることはできません。これらのトークンの一部には、より後のタイムスタンプがあり、In 情報が含まれている可能性があります。導入時には利用できません。 ###############写真###### 因果デコーダで一般的に使用されるアテンション マスク。各列は出力を表し、各列は出力を表します。特定の位置の値 1 (青で表示) を持つ行列エントリは、モデルが対応する列の出力を予測するときにその行の入力を観察できることを示し、値 0 (白で表示) はその逆を示します。 。 STUDY モデルは、三角行列アテンション マスクを柔軟なタイムスタンプ ベースのアテンション マスクに置き換える因果変換に基づいており、さまざまなサブシーケンスにわたるアテンションを可能にします。 通常のコンバーターと比較して、STUDY モデルはシーケンス内で因果三角形アテンション マトリックスを維持し、タイムスタンプに応じてさまざまなシーケンスで柔軟な値を持ちます。 したがって、シーケンス内の出力ポイントの予測は、前後に発生したかどうかに関係なく、現在の時点を基準にして過去に発生したすべての入力ポイントを参照します。シーケンス内の現在の入力ポイント。 この因果的制約が重要なのは、トレーニング中にこの制約が強制されないと、モデルが将来の情報を使用して予測を行うことを学習するリスクが生じるためです。これは現実世界のデプロイメントでは不可能です。達成するために。 (a) 各ユーザーを個別に処理できる因果的注意を備えた逐次自己回帰変換器、(b) 同等のもの(a) と同じことを計算するジョイント フォワード パス、(c) アテンション マスク (紫色で表示) にゼロ以外の新しい値を導入することで、ユーザー間で情報が流れるようにします。これを行うために、インタラクションが同じユーザーからのものであるかどうかに関係なく、以前のタイムスタンプを持つすべてのインタラクションを条件として予測できるようにしました。 ## Google は Learning Ally データセットを使用して STUDY モデルをトレーニングし、比較のために複数のベースラインを使用します。 彼らは、トレーニングには 1 学年度のデータを使用し、検証とテストには 2 学年度のデータを使用しました。 チームは、ユーザーが実際に操作する次のアイテムがモデルの上位 n 個の提案内にある時間の割合を測定することによって、これらのモデルを評価します。 チームは、テスト セット全体でモデルを評価することに加えて、データセット全体よりも正確な、テスト セットの 2 つのサブセットでのモデルのスコアも報告します。 学生は通常、オーディオブックを複数回操作していることがわかります。そのため、ユーザーが最後に読んだ本を単に推奨するのは簡単ではありません。 したがって、研究者は最初のテスト サブセットを「非継続」と呼びます。このサブセットでは、学生が以前の対話とは異なる学生と対話する場合にのみ各モデルを検査します。本がインタラクティブな場合のパフォーマンス。 さらに、チームは、学生が過去に読んだ本を再訪していることも観察したため、各学生に推奨される本は、過去に読んだ本に限定されます。テスト セットで優れたパフォーマンスを達成できます。 学生に過去のお気に入りの本を勧めることにはある程度の価値があるかもしれませんが、推奨システムの価値の多くは、新しい未知のコンテンツをユーザーに勧めることから生まれます。 これを測定するために、チームは、学生が初めて参考文献を操作するテスト セットのサブセットでモデルを評価しました。この評価サブセットを「新しいサブセット」と名付けます。 「STUDY」は、ほぼすべての評価において他のモデルを上回っていることがわかります。 写真 適切なグループ分けの重要性 提案されたモデルでは、研究者は同じ学年および学校のすべての生徒をグループ化しました。 次に、同じ学年と学区内のすべての生徒によって定義されたグループ分けと、すべての生徒を 1 つのグループにグループ化し、各前方パスでランダムなサブセットを使用する実験を行いました。 研究者らはまた、参考としてこれらのモデルを「個々の」モデルと比較しました。 研究によると、よりローカライズされたグループ、つまり学区や学年のグループよりも学校や学年のグループを使用する方が効果的であることがわかっています。 これは、読書などの活動が社会的であるため、研究モデルが成功するという仮説を裏付けています。つまり、人々の読書の選択は、周囲の人々の読書の選択と相関している可能性が高いということです。 両方のモデルは、学生をグループ化するために学年レベルを使用せずに、他の 2 つのモデル (単一グループ モデルと個人モデル) を上回りました。 これは、同様の読書レベルと興味を持つユーザーからのデータがモデルのパフォーマンスの向上に有益であることを示しています。 最後に、この Google の調査は、社会的関係が同質であると仮定するユーザー グループのモデル化に限定されていました。 #参考:図
チームは、自己回帰 CTR デコーダ (「個人」と呼ばれる)、k 最近傍ベースライン (KNN)、および同等のソーシャル ベースラインであるソーシャル アテンション メモリ ネットワーク (SAMN) を使用しました。
研究の核心アルゴリズムは、ユーザーをグループにグループ化し、モデルの単一の前方パスで同じグループ内の複数のユーザーに対して共同推論を実行します。
研究者らは、アブレーション研究を通じて、モデルのパフォーマンスにおける実際のグループ化の重要性を検討しました。
以上があなたの友達も見ています! Google STUDY アルゴリズムは、学生が読書に夢中になる書籍リストの推奨システムをサポートしていますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

私のコラムに新しいかもしれない人のために、具体化されたAI、AI推論、AIのハイテクブレークスルー、AIの迅速なエンジニアリング、AIのトレーニング、AIのフィールディングなどのトピックなど、全面的なAIの最新の進歩を広く探求します。

ヨーロッパの野心的なAI大陸行動計画は、人工知能のグローバルリーダーとしてEUを確立することを目指しています。 重要な要素は、AI GigaFactoriesのネットワークの作成であり、それぞれが約100,000の高度なAIチップを収容しています。

AIエージェントアプリケーションに対するMicrosoftの統一アプローチ:企業の明確な勝利 新しいAIエージェント機能に関するマイクロソフトの最近の発表は、その明確で統一されたプレゼンテーションに感銘を受けました。 TEで行き詰まった多くのハイテクアナウンスとは異なり

Shopify CEOのTobiLütkeの最近のメモは、AIの能力がすべての従業員にとって基本的な期待であると大胆に宣言し、会社内の重大な文化的変化を示しています。 これはつかの間の傾向ではありません。これは、pに統合された新しい運用パラダイムです

IBMのZ17メインフレーム:AIを強化した事業運営の統合 先月、IBMのニューヨーク本社で、Z17の機能のプレビューを受け取りました。 Z16の成功に基づいて構築(2022年に開始され、持続的な収益の成長の実証

揺るぎない自信のロックを解除し、外部検証の必要性を排除します! これらの5つのCHATGPTプロンプトは、完全な自立と自己認識の変革的な変化に向けて導きます。 ブラケットをコピー、貼り付け、カスタマイズするだけです

人工知能のセキュリティおよび研究会社であるAnthropicによる最近の[研究]は、これらの複雑なプロセスについての真実を明らかにし始め、私たち自身の認知領域に不穏に似た複雑さを示しています。自然知能と人工知能は、私たちが思っているよりも似ているかもしれません。 内部スヌーピング:人類の解釈可能性研究 人類によって行われた研究からの新しい発見は、AIの内部コンピューティングをリバースエンジニアリングすることを目的とする機械的解釈可能性の分野の大きな進歩を表しています。AIが何をするかを観察するだけでなく、人工ニューロンレベルでそれがどのように行うかを理解します。 誰かが特定のオブジェクトを見たり、特定のアイデアについて考えたりしたときに、どのニューロンが発射するかを描くことによって脳を理解しようとすることを想像してください。 a

Qualcomm's DragonWing:企業とインフラストラクチャへの戦略的な飛躍 Qualcommは、新しいDragonwingブランドで世界的に企業やインフラ市場をターゲットにして、モバイルを超えてリーチを積極的に拡大しています。 これは単なるレブランではありません


ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

ZendStudio 13.5.1 Mac
強力な PHP 統合開発環境

AtomエディタMac版ダウンロード
最も人気のあるオープンソースエディター

Safe Exam Browser
Safe Exam Browser は、オンライン試験を安全に受験するための安全なブラウザ環境です。このソフトウェアは、あらゆるコンピュータを安全なワークステーションに変えます。あらゆるユーティリティへのアクセスを制御し、学生が無許可のリソースを使用するのを防ぎます。

SublimeText3 Linux 新バージョン
SublimeText3 Linux 最新バージョン

SublimeText3 中国語版
中国語版、とても使いやすい
