এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
সহযোগী ফিল্টারিং
অনেক ব্যবহারকারীর পছন্দ সংগ্রহ করে ভবিষ্যদ্বাণী তৈরি করার একটি সুপারিশ পদ্ধতি, এই নীতির উপর ভিত্তি করে যে অতীতে যাদের রুচি একই রকম ছিল ভবিষ্যতেও তাদের রুচি একই রকম হবে।
ব্যবহারকারী-আইটেম ম্যাট্রিক্স
মৌলিক ডেটা স্ট্রাকচার যেখানে সারিগুলি ব্যবহারকারীকে, কলামগুলি আইটেমকে উপস্থাপন করে এবং কোষগুলিতে রেটিং বা ইন্টারঅ্যাকশন থাকে, সাধারণত খুব স্পার্স কারণ প্রতিটি ব্যবহারকারী খুব কম আইটেমের সাথে ইন্টারঅ্যাক্ট করে।
কোসাইন সাদৃশ্য
একটি বহুমাত্রিক স্থানে দুটি রেটিং ভেক্টরের মধ্যে কোণের কোসাইন গণনা করে সাদৃশ্যের মেট্রিক, -১ (সম্পূর্ণ বিপরীত) থেকে ১ (নিখুঁত সাদৃশ্য) পর্যন্ত পরিবর্তিত হয়, ব্যবহারকারী বা আইটেম প্রোফাইল তুলনা করার জন্য ব্যাপকভাবে ব্যবহৃত।
পিয়ারসন পারস্পরিক সম্পর্ক
দুটি রেটিং ভেক্টরের মধ্যে রৈখিক পারস্পরিক সম্পর্ক পরিমাপকারী সহগ, গড়ের উপর কেন্দ্রীভূত এবং স্বাভাবিককৃত, ব্যবহারকারী বা আইটেমের মধ্যে আপেক্ষিক রেটিং প্রবণতা ক্যাপচার করার জন্য বিশেষভাবে কার্যকর।
কে-নিকটতম প্রতিবেশী এলাকা
একটি প্রদত্ত লক্ষ্যের সাথে সবচেয়ে অনুরূপ k ব্যবহারকারী বা আইটেম চিহ্নিত করার অ্যালগরিদম যা ভবিষ্যদ্বাণী গণনায় ব্যবহৃত একটি প্রতিবেশী গঠন করে, যেখানে k একটি গুরুত্বপূর্ণ প্যারামিটার যা সুপারিশের সূক্ষ্মতা নিয়ন্ত্রণ করে।
ব্যবহারকারী-ভিত্তিক সহযোগী ফিল্টারিং
ব্যবহারকারীদের মধ্যে সাদৃশ্যের উপর ভিত্তি করে পদ্ধতি, অনুরূপ ব্যবহারকারীরা যে আইটেমগুলি পছন্দ করেছে সেগুলি সুপারিশ করে, ব্যবহারকারী-ব্যবহারকারী সাদৃশ্য গণনা এবং বিকশিত প্রোফাইলের কার্যকর ব্যবস্থাপনার প্রয়োজন।
আইটেম-ভিত্তিক সহযোগী ফিল্টারিং
আইটেমগুলির মধ্যে সাদৃশ্যের উপর ভিত্তি করে পদ্ধতি, ব্যবহারকারী ইতিমধ্যে যে আইটেমগুলি পছন্দ করেছে তার অনুরূপ আইটেম সুপারিশ করে, সাধারণত ব্যবহারকারী-ভিত্তিক পদ্ধতির চেয়ে বেশি স্থিতিশীল এবং স্কেলযোগ্য কারণ আইটেমগুলি কম ঘন ঘন বিকশিত হয়।
কোল্ড স্টার্ট সমস্যা
একটি প্রধান চ্যালেঞ্জ যেখানে ঐতিহাসিক ডেটার অভাবের কারণে নতুন ব্যবহারকারী বা আইটেমের জন্য সিস্টেম নির্ভরযোগ্য সুপারিশ তৈরি করতে পারে না, প্রারম্ভিককরণ কৌশল এবং সক্রিয় তথ্য সংগ্রহের প্রয়োজন।
স্পার্স ম্যাট্রিক্স
সুপারিশ সিস্টেমের অন্তর্নিহিত বৈশিষ্ট্য যেখানে ব্যবহারকারী-আইটেম ম্যাট্রিক্সের বেশিরভাগ কোষই খালি থাকে, যা গণনাগত চ্যালেঞ্জ তৈরি করে এবং অপ্টিমাইজড ডেটা স্ট্রাকচার ও ইমপুটেশন কৌশল প্রয়োজন।
স্পষ্ট বনাম অন্তর্নিহিত রেটিং
ব্যবহারকারীদের দ্বারা স্বেচ্ছায় সরবরাহকৃত সরাসরি মূল্যায়ন (স্পষ্ট) এবং পর্যবেক্ষিত আচরণের উপর ভিত্তি করে পছন্দের অনুমান (অন্তর্নিহিত) এর মধ্যে পার্থক্য, যার প্রতিটির নিজস্ব পক্ষপাত এবং প্রক্রিয়াকরণ পদ্ধতি রয়েছে।
জনপ্রিয়তা পক্ষপাত
সহযোগী ফিল্টারিংয়ের পদ্ধতিগত প্রবণতা যা বৈচিত্র্যের ক্ষতি করে জনপ্রিয় আইটেমগুলিকে অত্যধিক সুপারিশ করে, যা শক্তিবৃদ্ধি লুপ তৈরি করতে পারে এবং প্রাসঙ্গিক নিচ আইটেম আবিষ্কার সীমিত করতে পারে।
রেটিং পূর্বাভাস
একজন ব্যবহারকারী একটি মূল্যায়ন না করা আইটেমকে কী রেটিং দেবে তার অনুমান প্রক্রিয়া, যা সাধারণত প্রতিবেশী ব্যবহারকারী বা অনুরূপ আইটেমের মূল্যায়নের ওজনযুক্ত সমন্বয় হিসাবে পক্ষপাত সমন্বয় সহ গণনা করা হয়।
শীর্ষ-এন সুপারিশ
সুপারিশের পদ্ধতি যা একজন ব্যবহারকারীর জন্য সবচেয়ে প্রাসঙ্গিক এন আইটেমের একটি ক্রমানুসারিত তালিকা তৈরি করে, সঠিক রেটিং পূর্বাভাসের তুলনায় অ্যালগরিদমগুলিকে ভিন্নভাবে অপ্টিমাইজ করে এবং নির্দিষ্ট মূল্যায়ন মেট্রিক্স প্রয়োজন।
জেড-স্কোর স্বাভাবিককরণ
গড় বিয়োগ করে এবং স্ট্যান্ডার্ড ডেভিয়েশন দ্বারা ভাগ করে ব্যবহারকারী রেটিংগুলিকে মানকীকরণের কৌশল, যা বিভিন্ন রেটিং স্কেল সহ ব্যবহারকারীদের তুলনা করতে এবং ব্যক্তিগত পক্ষপাতের প্রভাব কমাতে সক্ষম করে।
বিশ্বাসযোগ্যতা স্কোর
একটি গণনাকৃত সাদৃশ্য বা পূর্বাভাসের নির্ভরযোগ্যতা পরিমাপক মেট্রিক, যা সাধারণত সাধারণ মূল্যায়নের সংখ্যা এবং তাদের ভ্যারিয়েন্সের উপর ভিত্তি করে, সুপারিশ গণনায় অবদানগুলিকে ওজন দেওয়ার জন্য ব্যবহৃত হয়।
সময়ভিত্তিক ওজন
পুরানো মূল্যায়নের তুলনায় সাম্প্রতিক মূল্যায়নগুলিকে বেশি ওজন নির্ধারণের পদ্ধতি, যা ব্যবহারকারীর পছন্দের বিবর্তন প্রতিফলিত করে এবং রুচির পরিবর্তনের মুখে সুপারিশগুলিকে প্রাসঙ্গিক রাখে।
পূর্বাভাস সমষ্টিকরণ
বিভিন্ন প্রতিবেশী বা পদ্ধতি থেকে একাধিক পূর্বাভাসকে চূড়ান্ত সুপারিশে একত্রিত করার প্রক্রিয়া, যেখানে সঠিকতা অপ্টিমাইজ করার জন্য ওজনযুক্ত গড়, মধ্যমা বা মেটা-লার্নিংয়ের মতো কৌশল ব্যবহার করা হয়।
আরএমএসই (রুট মিন স্কোয়ার এরর)
স্ট্যান্ডার্ড মূল্যায়ন মেট্রিক যা পূর্বাভাস এবং প্রকৃত রেটিংয়ের মধ্যে ত্রুটির বর্গের গড়ের বর্গমূল পরিমাপ করে, বড় ত্রুটিগুলিকে দৃঢ়ভাবে শাস্তি দেয় এবং আউটলায়ারগুলির প্রতি সংবেদনশীল।
এমএই (মিন অ্যাবসলিউট এরর)
পূর্বাভাস ত্রুটির পরম মানের গড় গণনা করে এমন মেট্রিক, যা আরএমএসই-এর চেয়ে আরও স্বজ্ঞাত ব্যাখ্যা প্রদান করে এবং সুপারিশ সিস্টেমের মূল্যায়নে আউটলায়ারগুলির প্রতি কম সংবেদনশীল।