এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ডিপ লার্নিং রিকমেন্ডেশন সিস্টেমস
ব্যবহারকারী এবং আইটেমের মধ্যে জটিল সম্পর্ক মডেল করার জন্য গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে রিকমেন্ডেশন সিস্টেম। এই সিস্টেমগুলি অরৈখিক ইন্টারঅ্যাকশন এবং ডেটাতে লুকানো প্যাটার্ন ক্যাপচার করে ঐতিহ্যগত পদ্ধতিগুলিকে ছাড়িয়ে যায়।
এম্বেডিং লেয়ারস
নিউরাল নেটওয়ার্কের স্তর যা স্পার্স শ্রেণীবদ্ধ ভেরিয়েবলগুলিকে নিম্ন-মাত্রার ঘন ভেক্টরে রূপান্তর করে। এম্বেডিংগুলি একটি অবিচ্ছিন্ন ভেক্টর স্পেসে আইটেম এবং ব্যবহারকারীদের মধ্যে শব্দার্থিক সাদৃশ্য ক্যাপচার করে।
নিউরাল কলাবোরেটিভ ফিল্টারিং
ব্যবহারকারী-আইটেম ইন্টারঅ্যাকশন মডেল করার জন্য ঐতিহ্যগত ফ্যাক্টর মডেলগুলিকে গভীর নিউরাল নেটওয়ার্ক দিয়ে প্রতিস্থাপন করে এমন নিউরাল নেটওয়ার্ক আর্কিটেকচার। এনসিএফ ম্যাট্রিক্স গুণনের বাইরে জটিল ইন্টারঅ্যাকশন ফাংশন শেখে।
ওয়াইড অ্যান্ড ডিপ লার্নিং
মেমোরাইজেশনের জন্য একটি ওয়াইড মডেল (লজিস্টিক রিগ্রেশন) এবং জেনারালাইজেশনের জন্য একটি ডিপ মডেল (নিউরাল নেটওয়ার্ক) একত্রিত করে হাইব্রিড আর্কিটেকচার। এই পদ্ধতি ডেটাতে স্পষ্ট এবং অন্তর্নিহিত উভয় প্যাটার্ন কার্যকরভাবে ক্যাপচার করে।
ডিপএফএম (ডিপ ফ্যাক্টরাইজেশন মেশিন)
নিম্ন এবং উচ্চ-স্তরের বৈশিষ্ট্য শেখার জন্য একই সাথে ফ্যাক্টরাইজেশন মেশিন এবং নিউরাল নেটওয়ার্ককে একত্রিত করে এমন মডেল। ডিপএফএম এফএম এবং ডিএনএন উপাদানগুলির মধ্যে এম্বেডিং শেয়ার করে, দক্ষতা এবং কর্মক্ষমতা অপ্টিমাইজ করে।
রিকমেন্ডেশনের জন্য অটোএনকোডারস
কলাবোরেটিভ রিকমেন্ডেশনের জন্য ব্যবহারকারীর পছন্দের সংকুচিত উপস্থাপনা শেখানো আনসুপারভাইজড নিউরাল নেটওয়ার্ক। ডিনোইজিং অটোএনকোডারগুলি স্পার্স এবং নয়েজি ডেটা পরিচালনার জন্য বিশেষভাবে কার্যকর।
সেশন-ভিত্তিক রিকমেন্ডেশন
ব্যবহারকারীর সেশনে ইন্টারঅ্যাকশনের ক্রম মডেল করার জন্য রিকারেন্ট নিউরাল নেটওয়ার্ক (আরএনএন) ব্যবহার করে রিকমেন্ডেশন সিস্টেম। এই মডেলগুলি ঐতিহাসিক ব্যবহারকারী প্রোফাইল ছাড়াই অস্থায়ী এবং প্রাসঙ্গিক উদ্দেশ্য ক্যাপচার করে।
রিকমেন্ডেশনের জন্য গ্রাফ নিউরাল নেটওয়ার্ক
ব্যবহারকারী, আইটেম এবং বৈশিষ্ট্য নোড সহ হেটেরোজেনিয়াস গ্রাফ হিসাবে রিকমেন্ডেশন সিস্টেমগুলিকে উপস্থাপন করা পদ্ধতি। জিএনএনগুলি উচ্চ-ক্রমের সম্পর্ক ক্যাপচার করার জন্য গ্রাফিক্যাল স্ট্রাকচারের মাধ্যমে তথ্য প্রচার করে।
সুপারিশে অ্যাটেনশন মেকানিজম
বর্তমান পূর্বাভাসের জন্য তাদের প্রাসঙ্গিকতা অনুযায়ী ঐতিহাসিক আইটেমগুলিকে ভিন্নভাবে ওজন করার জন্য সুপারিশ মডেলগুলিকে সক্ষম করে এমন প্রক্রিয়া। অনুক্রমিক এবং প্রাসঙ্গিক সুপারিশগুলিতে অ্যাটেনশন কর্মক্ষমতা উল্লেখযোগ্যভাবে উন্নত করে।
সুপারিশের জন্য ট্রান্সফরমার মডেল
ব্যবহারকারীর আচরণের ক্রমগুলিতে দীর্ঘ-দূরত্বের নির্ভরতা মডেল করার জন্য মাল্টি-হেড অ্যাটেনশন মেকানিজমের উপর ভিত্তি করে আর্কিটেকচার। জটিল এবং গতিশীল প্যাটার্ন ক্যাপচারে ট্রান্সফরমাররা RNN-কে ছাড়িয়ে যায়।
দুই-টাওয়ার আর্কিটেকচার
একটি সাধারণ এমবেডিং স্পেসে ব্যবহারকারী এবং আইটেম বৈশিষ্ট্যগুলি এনকোড করার জন্য পৃথক টাওয়ার সহ দ্বৈত মডেল। আইটেম এমবেডিংগুলির প্রাক-গণনার মাধ্যমে এই আর্কিটেকচার লক্ষ লক্ষ আইটেমের জন্য দক্ষভাবে স্কেল করে।
অনুক্রমিক সুপারিশ মডেল
মিথস্ক্রিয়ার সময়ক্রমিক ক্রমগুলির মাধ্যমে ব্যবহারকারীর পছন্দের গতিশীল বিবর্তন ক্যাপচার করে এমন গভীর শিক্ষার মডেল। এই আর্কিটেকচারগুলি অনুক্রমিক নির্ভরতা মডেল করার জন্য RNN, ট্রান্সফরমার বা GNN ব্যবহার করে।
ডিপ ক্রস নেটওয়ার্ক
বৈশিষ্ট্যগুলির মধ্যে নির্বিচারে ডিগ্রির স্পষ্ট ক্রস-ইন্টারঅ্যাকশন দক্ষতার সাথে শেখার জন্য বিশেষভাবে ডিজাইন করা আর্কিটেকচার। DCN জেনারেলাইজেশনের জন্য গভীর স্তরগুলির সাথে দক্ষ ক্রস স্তরগুলিকে একত্রিত করে।
সুপারিশের জন্য ভেরিয়েশনাল অটোএনকোডার
শক্তিশালী সুপারিশের জন্য ব্যবহারকারীর পছন্দের লেটেন্ট ডিস্ট্রিবিউশন শেখার সম্ভাব্যতা-ভিত্তিক জেনারেটিভ মডেল। VAE প্রাকৃতিকভাবে অনিশ্চয়তা পরিচালনা করে এবং সুপারিশের বৈচিত্র্য উন্নত করে।
সুপারিশের জন্য রিইনফোর্সমেন্ট লার্নিং
দীর্ঘমেয়াদী পুরস্কার অপ্টিমাইজ করার জন্য মার্কভ ডিসিশন প্রসেস হিসাবে সুপারিশ তৈরি করা পদ্ধতি। RL এজেন্টগুলি অভিযোজিত সুপারিশ নীতি শেখে যা টেকসই ব্যবহারকারীর জড়িতকে সর্বাধিক করে।
সুপারিশের জন্য মাল্টি-টাস্ক লার্নিং
জেনারেলাইজেশন এবং দক্ষতা উন্নত করার জন্য একাধিক উদ্দেশ্য (CTR, CVR, সেশন সময়) একই সাথে শেখার প্যারাডাইম। MTL নির্দিষ্ট কাজগুলিকে বিশেষীকরণ করার সময় উপস্থাপনা ভাগ করে।
Cold Start Problem with Deep Learning
Défi adressé par des architectures deep learning utilisant des métadonnées et des réseaux de neurones pour générer des embeddings initiaux. Les modèles de transfert d'apprentissage et les GNNs sur les graphes de contenu sont particulièrement efficaces.
Neural Factorization Machines
Extension des Factorization Machines intégrant des réseaux de neurones pour capturer des interactions non linéaires complexes entre caractéristiques. NFM combine l'efficacité du FM avec la puissance expressive du deep learning.