قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
التصفية التعاونية
نهج توصية يولد تنبؤات من خلال جمع تفضيلات العديد من المستخدمين، بالاعتماد على مبدأ أن المستخدمين الذين لديهم أذواق متشابهة في الماضي سيكون لديهم أذواق متشابهة في المستقبل.
مصفوفة المستخدم-العنصر
بنية بيانات أساسية حيث تمثل الصفوف المستخدمين والأعمدة العناصر، وتحتوي الخلايا على التقييمات أو التفاعلات، وعادة ما تكون متفرقة جدًا لأن كل مستخدم يتفاعل مع عدد قليل من العناصر فقط.
تشابه جيب التمام
مقياس تشابه يحسب جيب تمام الزاوية بين متجهي تقييم في فضاء متعدد الأبعاد، يتراوح من -1 (معارضة تامة) إلى 1 (تشابه كامل)، يستخدم على نطاق واسع لمقارنة ملفات تعريف المستخدمين أو العناصر.
ارتباط بيرسون
معامل يقيس الارتباط الخطي بين متجهي تقييم، متمركز حول المتوسط وموحد، فعال بشكل خاص في التقاط الاتجاهات النسبية للتقييم بين المستخدمين أو العناصر.
جوار أقرب k جيران
خوارزمية تحدد k المستخدمين أو العناصر الأكثر تشابهًا مع هدف معين لتشكيل جوار يستخدم في حساب التنبؤات، حيث k هو معلمة حاسمة تتحكم في تفصيل التوصيات.
التصفية التعاونية القائمة على المستخدم
نهج قائم على التشابه بين المستخدمين، يوصي بعناصر أعجب بها مستخدمون متشابهون، يتطلب حساب تشابهات المستخدم-المستخدم وإدارة فعالة للملفات التعريفية المتطورة.
التصفية التعاونية القائمة على العنصر
طريقة قائمة على التشابه بين العناصر، توصي بعناصر مشابهة لتلك التي أعجب بها المستخدم بالفعل، وعادة ما تكون أكثر استقرارًا وقابلية للتوسع من نهج المستخدم لأن العناصر تتطور بشكل أقل تكرارًا.
مشكلة البدء البارد
تحد كبير حيث لا يستطيع النظام توليد توصيات موثوقة للمستخدمين أو العناصر الجديدة بسبب نقص البيانات التاريخية، مما يتطلب استراتيجيات للتهيئة وجمع فعال للمعلومات.
مصفوفة متفرقة
خاصية جوهرية في أنظمة التوصية حيث تكون معظم خلايا مصفوفة المستخدم-العنصر فارغة، مما يطرح تحديات حسابية ويتطلب هياكل بيانات محسّنة وتقنيات تعويض.
التقييم الصريح مقابل الضمني
التمييز بين التقييمات المباشرة التي يقدمها المستخدمون طواعية (صريحة) والاستدلالات على التفضيلات القائمة على السلوكيات الملاحظة (ضمنية)، لكل منها تحيزاتها وطرق معالجتها الخاصة.
تحيز الشعبية
النزعة المنهجية للتصفية التعاونية للتوصية المفرطة بالعناصر الشائعة على حساب التنوع، مما قد يخلق حلقات تعزيزية ويحد من اكتشاف العناصر المتخصصة ذات الصلة.
التنبؤ بالتقييم
عملية تقدير التقييم الذي قد يمنحه مستخدم لعنصر لم يتم تقييمه، يتم حسابه عادةً كمزيج مرجّح من تقييمات المستخدمين المجاورين أو العناصر المماثلة مع تعديلات التحيز.
توصيات Top-N
نهج توصية يولد قائمة مرتبة من أكثر العناصر صلة N لمستخدم، مما يحسّن الخوارزميات بشكل مختلف مقارنة بالتنبؤ الدقيق بالتقييم ويتطلب مقاييس تقييم محددة.
توحيد Z-score
تقنية لتوحيد تقييمات المستخدمين عن طريق طرح المتوسط والقسمة على الانحراف المعياري، مما يسمح بمقارنة المستخدمين الذين لديهم مقياس تقييم مختلف ويقلل من تأثير التحيزات الفردية.
درجة الثقة
مقياس يكمّل موثوقية تشابه أو تنبؤ محسوب، يعتمد عادةً على عدد التقييمات المشتركة وتباينها، ويُستخدم لترجيح المساهمات في حسابات التوصية.
الترجيح الزمني
طريقة تمنح وزناً أكبر للتقييمات الحديثة مقارنة بالقديمة، مما يعكس تطور تفضيلات المستخدم ويضمن أن تبقى التوصيات ذات صلة في مواجهة تغير الأذواق.
تجميع التنبؤات
عملية دمج تنبؤات متعددة من جيران مختلفين أو طرق مختلفة في توصية نهائية، باستخدام تقنيات مثل المتوسط الموزون، أو الوسيط، أو التعلم الفائق لتحسين الدقة.
RMSE (جذر متوسط مربع الخطأ)
مقياس تقييم معياري يقيس الجذر التربيعي لمتوسط مربعات الأخطاء بين التنبؤات والتقييمات الفعلية، حيث يعاقب الأخطاء الكبيرة بشدة وهو حساس للقيم المتطرفة.
MAE (متوسط الخطأ المطلق)
مقياس يحسب متوسط القيم المطلقة لأخطاء التنبؤ، مما يوفر تفسيرًا أكثر بديهية من RMSE ويكون أقل حساسية للقيم المتطرفة في تقييم أنظمة التوصية.