AI 技术内参
洪亮劼
Etsy 数据科学主管,前雅虎研究院资深科学家
33455 人已学习
新⼈⾸单¥98
登录后,你可以任选6讲全文学习
课程目录
已完结/共 166 讲
开篇词 (1讲)
人工智能国际顶级会议 (31讲)
搜索核心技术 (28讲)
推荐系统核心技术 (22讲)
数据科学家与数据科学团队养成 (25讲)
AI 技术内参
15
15
1.0x
00:00/00:00
登录|注册

066 | 高级推荐模型之三:优化复杂目标函数

难度和挑战
可以直接优化类似NDCG、MAP等指标
可应用于不同模型中
BPR的基本思路
隐回馈和正交互信息的重要性
通过构造“会话”来学习排序
配对法引入到推荐系统中
对物品喜好度预测与学习排序的联系
BPR作为经典的配对法目标函数
目标函数的重要性
推荐系统的优化思路
目标函数的框架思路
BPR方法介绍
排序学习的重大进步
推荐结果排序的重要性
目标函数选择对推荐效果影响显著
矩阵分解常用于评分信息的建模
基于信息的推荐系统需要监督学习和目标函数
流行度或者相似度的推荐系统缺乏真正的目标函数概念
建立隐变量之间的共享
解决多个两两关系的矩阵分解
小结
高级目标函数
为什么需要复杂的目标函数
协同矩阵分解
高级推荐模型之三:优化复杂目标函数

该思维导图由 AI 生成,仅供参考

周三我们讨论了协同矩阵分解,其主要思想就是解决多个两两关系的矩阵分解,并且希望能够建立隐变量之间的共享。
今天,我们来看一个稍微不一样的话题,那就是如何优化更加复杂的目标函数

为什么需要复杂的目标函数

在介绍更复杂的目标函数之前,我们首先来回想一下,在之前的分享中,都接触到了哪些目标函数。
对于基于流行度或者相似度的推荐系统来说,其实并没有真正的目标函数的概念。这些推荐模型都是某种直观的“翻译”,这也导致了这些推荐系统很难直接使用在真实的应用中,往往是被当作特性用在其他模型中。
基于信息的推荐系统,本质上就是监督学习在推荐系统中的应用。因为是监督学习,那自然就需要目标函数。这里,经常是对点击率或者购买率进行建模,也就是说,经常使用二分分类的目标函数
当我们使用矩阵分解的架构来对用户和物品的关系进行建模时,绝大多数情况下我们是在讨论评分。对于评分信息,常用的其实是线性回归(Linear Regression),也有学者使用泊松回归,因为泊松回归对于整数变量的建模要好于线性回归。当然了,矩阵分解也可以扩展到对点击率或者购买率的建模。
当年 Netflix 竞赛之后,Netflix 公司把获奖的矩阵分解拿来进行实现,放入线上系统中,结果发现并没有本质性地提高推荐效果,这其实就和目标函数有关。虽然 Netflix 竞赛造就了矩阵分解等类似模型的流行,但是逐渐地,研究人员和工业界从业人员也意识到,用户对物品的评分,并不是推荐系统需要优化的目标,也就是说目标函数“选错了”
那么,我们需要什么样的目标函数呢?
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结

本文介绍了推荐系统中优化复杂目标函数的问题。首先,文章指出了基于流行度或相似度的推荐系统缺乏真正的目标函数概念,而基于信息的推荐系统需要监督学习和相应的目标函数。然后,文章详细介绍了BPR(Bayesian Personalized Ranking)这种非常经典的配对法的目标函数,该方法通过学习排序来优化推荐系统的行为,将用户可能喜欢的物品排到前面。文章强调了在推荐系统中,用户和物品的交互都是“隐回馈”,因此需要依靠假设来找到相关的物品。BPR的基本思路是通过配对法训练,将有“正交互信息”的物品排到“负交互信息”的物品之前。最后,文章提出了一个思考题,即如果能够对所有物品的喜好度进行精准预测,是否就不需要BPR了,并鼓励读者思考学习排序和对物品喜好度的预测之间的联系。 总的来说,本文通过讨论推荐系统中的目标函数问题,介绍了BPR这种优化复杂目标函数的方法,为读者提供了对推荐系统优化的新思路和方法。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《AI 技术内参》
新⼈⾸单¥98
立即购买
登录 后留言

全部留言(2)

  • 最新
  • 精选
  • 微微一笑
    推荐系统一般分为召回模块和排序模块吧,前面说的矩阵分解属于召回 学习排序属于排序模块
    2018-03-16
    1
  • 林彦
    如果我们真地有所有用户对所有物品的喜好度的精准预测,特别是除了用户喜欢的程度,也能把用户真正不喜欢的和用户未注意到的情况区别开来,并且不考虑这么多数据量的训练性能影响,则这个point-wise模型可以用来根据评分大小作排序,可以不需要 BPR。不过实际环境中这种理想状态很难达到。 现实中我们喜欢的,商业系统推荐的是一批物品,不是单个物品。展示位置,展示时间等因素会影响用户的感受,互动和之后的评价结果。把整个系统的预测效果看成一个整体,就需要融入排序效果的学习。排序学习这个过程则依赖于物品喜好度的预测,包括一对物品之间用户更喜好那个来优化目标函数。
    2018-03-16
收起评论
显示
设置
留言
2
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部