検索
ホームページテクノロジー周辺機器AI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。

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

(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。

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。

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

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。

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:

https://www.php.cn/link/0b32f1a9efe5edf3dd2f38b0c0052bfe

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。

声明
この記事は51CTO.COMで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
AI内部展開の隠された危険:ガバナンスのギャップと壊滅的なリスクAI内部展開の隠された危険:ガバナンスのギャップと壊滅的なリスクApr 28, 2025 am 11:12 AM

Apollo Researchの新しいレポートによると、高度なAIシステムの未確認の内部展開は、重大なリスクをもたらします。 主要なAI企業の間で一般的なこの監視の欠如は、Uncontに及ぶ潜在的な壊滅的な結果を可能にします

AIポリグラフの構築AIポリグラフの構築Apr 28, 2025 am 11:11 AM

従来の嘘検出器は時代遅れです。リストバンドで接続されたポインターに依存すると、被験者のバイタルサインと身体的反応を印刷する嘘発見器は、嘘を識別するのに正確ではありません。これが、嘘の検出結果が通常裁判所で採用されない理由ですが、多くの罪のない人々が投獄されています。 対照的に、人工知能は強力なデータエンジンであり、その実用的な原則はすべての側面を観察することです。これは、科学者がさまざまな方法で真実を求めるアプリケーションに人工知能を適用できることを意味します。 1つのアプローチは、嘘発見器のように尋問されている人の重要な符号応答を分析することですが、より詳細かつ正確な比較分析を行います。 別のアプローチは、言語マークアップを使用して、人々が実際に言うことを分析し、論理と推論を使用することです。 ことわざにあるように、ある嘘は別の嘘を繁殖させ、最終的に

AIは航空宇宙産業の離陸のためにクリアされていますか?AIは航空宇宙産業の離陸のためにクリアされていますか?Apr 28, 2025 am 11:10 AM

イノベーションの先駆者である航空宇宙産業は、AIを活用して、最も複雑な課題に取り組んでいます。 近代的な航空の複雑さの増加は、AIの自動化とリアルタイムのインテリジェンス機能を必要とします。

北京の春のロボットレースを見ています北京の春のロボットレースを見ていますApr 28, 2025 am 11:09 AM

ロボット工学の急速な発展により、私たちは魅力的なケーススタディをもたらしました。 NoetixのN2ロボットの重量は40ポンドを超えており、高さは3フィートで、逆流できると言われています。 UnitreeのG1ロボットの重量は、N2のサイズの約2倍で、高さは約4フィートです。また、競争に参加している多くの小さなヒューマノイドロボットがあり、ファンによって前進するロボットさえあります。 データ解釈 ハーフマラソンは12,000人以上の観客を惹きつけましたが、21人のヒューマノイドロボットのみが参加しました。政府は、参加しているロボットが競争前に「集中トレーニング」を実施したと指摘したが、すべてのロボットが競争全体を完了したわけではない。 チャンピオン - 北京ヒューマノイドロボットイノベーションセンターによって開発されたティアンゴニ

ミラートラップ:AI倫理と人間の想像力の崩壊ミラートラップ:AI倫理と人間の想像力の崩壊Apr 28, 2025 am 11:08 AM

人工知能は、現在の形式では、真にインテリジェントではありません。既存のデータを模倣して洗練するのに熟達しています。 私たちは人工知能を作成するのではなく、人工的な推論を作成しています。情報を処理するマシン、人間は

新しいGoogleリークは、便利なGoogle写真機能の更新を明らかにします新しいGoogleリークは、便利なGoogle写真機能の更新を明らかにしますApr 28, 2025 am 11:07 AM

レポートでは、更新されたインターフェイスがGoogle Photos Androidバージョン7.26のコードに隠されていることがわかり、写真を見るたびに、新しく検出された顔のサムネイルの行が画面の下部に表示されます。 新しいフェイシャルサムネイルには名前タグが欠落しているため、検出された各人に関する詳細情報を見るには、個別にクリックする必要があると思います。今のところ、この機能は、Googleフォトが画像で見つけた人々以外の情報を提供しません。 この機能はまだ利用できないため、Googleが正確にどのように使用するかはわかりません。 Googleはサムネイルを使用して、選択した人のより多くの写真を見つけるためにスピードアップしたり、編集して個人を選択するなど、他の目的に使用することもできます。待って見てみましょう。 今のところ

補強能力のガイド - 分析Vidhya補強能力のガイド - 分析VidhyaApr 28, 2025 am 09:30 AM

補強能力は、人間のフィードバックに基づいて調整するためにモデルを教えることにより、AI開発を揺さぶりました。それは、監督された学習基盤と報酬ベースの更新をブレンドして、より安全で、より正確に、そして本当に助けます

踊りましょう:私たちの人間のニューラルネットを微調整するための構造化された動き踊りましょう:私たちの人間のニューラルネットを微調整するための構造化された動きApr 27, 2025 am 11:09 AM

科学者は、彼らの機能を理解するために、人間とより単純なニューラルネットワーク(C. elegansのものと同様)を広く研究してきました。 ただし、重要な疑問が生じます。新しいAIと一緒に効果的に作業するために独自のニューラルネットワークをどのように適応させるのか

See all articles

ホットAIツール

Undresser.AI Undress

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

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

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

Video Face Swap

Video Face Swap

完全無料の AI 顔交換ツールを使用して、あらゆるビデオの顔を簡単に交換できます。

ホットツール

VSCode Windows 64 ビットのダウンロード

VSCode Windows 64 ビットのダウンロード

Microsoft によって発売された無料で強力な IDE エディター

SublimeText3 英語版

SublimeText3 英語版

推奨: Win バージョン、コードプロンプトをサポート!

DVWA

DVWA

Damn Vulnerable Web App (DVWA) は、非常に脆弱な PHP/MySQL Web アプリケーションです。その主な目的は、セキュリティ専門家が法的環境でスキルとツールをテストするのに役立ち、Web 開発者が Web アプリケーションを保護するプロセスをより深く理解できるようにし、教師/生徒が教室環境で Web アプリケーションを教え/学習できるようにすることです。安全。 DVWA の目標は、シンプルでわかりやすいインターフェイスを通じて、さまざまな難易度で最も一般的な Web 脆弱性のいくつかを実践することです。このソフトウェアは、

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

SecLists

SecLists

SecLists は、セキュリティ テスターの究極の相棒です。これは、セキュリティ評価中に頻繁に使用されるさまざまな種類のリストを 1 か所にまとめたものです。 SecLists は、セキュリティ テスターが必要とする可能性のあるすべてのリストを便利に提供することで、セキュリティ テストをより効率的かつ生産的にするのに役立ちます。リストの種類には、ユーザー名、パスワード、URL、ファジング ペイロード、機密データ パターン、Web シェルなどが含まれます。テスターはこのリポジトリを新しいテスト マシンにプルするだけで、必要なあらゆる種類のリストにアクセスできるようになります。