এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
গ্রাফ-ভিত্তিক সুপারিশ
ব্যবহারকারী এবং আইটেমের মধ্যে জটিল সম্পর্ক মডেল করার জন্য গ্রাফ কাঠামো ব্যবহার করে সুপারিশ সিস্টেমের পদ্ধতি। এই পদ্ধতি সুপারিশের প্রাসঙ্গিকতা উন্নত করতে একাধিক মিথস্ক্রিয়া এবং অন্তর্নিহিত সংযোগগুলি ক্যাপচার করে।
জ্ঞান গ্রাফ
নোড এবং এজ আকারে সত্তা এবং তাদের শব্দার্থিক সম্পর্ক উপস্থাপন করে এমন ডেটা স্ট্রাকচার। প্রাসঙ্গিক তথ্য দিয়ে আইটেম উপস্থাপনা সমৃদ্ধ করতে সুপারিশ সিস্টেমে ব্যবহৃত হয়।
গ্রাফ নিউরাল নেটওয়ার্ক
গ্রাফ আকারে স্ট্রাকচার্ড ডেটা প্রক্রিয়া করার জন্য বিশেষভাবে ডিজাইন করা ডিপ লার্নিং আর্কিটেকচার। এই নেটওয়ার্কগুলি সম্পর্কীয় নির্ভরতা ক্যাপচার করতে নোডগুলিতে কনভোলিউশন অপারেশন সম্পাদন করে।
নোড এমবেডিং
কম-ডাইমেনশনাল স্পেসে গ্রাফ নোডের ঘন ভেক্টর উপস্থাপনা। এই এমবেডিংগুলি সুপারিশ কাজগুলিকে সহজতর করার জন্য নোডগুলির কাঠামোগত এবং শব্দার্থিক বৈশিষ্ট্য ক্যাপচার করে।
গ্রাফ কনভোলিউশন নেটওয়ার্ক
সরাসরি গ্রাফ কাঠামোতে কনভোলিউশন অপারেশন প্রয়োগ করে এমন এক ধরনের নিউরাল নেটওয়ার্ক। শ্রেণিবদ্ধ উপস্থাপনা শেখার জন্য প্রতিবেশী নোডগুলির মধ্যে তথ্য প্রসারিত করে।
বিষম তথ্য নেটওয়ার্ক
বিভিন্ন ধরনের সত্তা এবং সম্পর্ক উপস্থাপন করে এমন একাধিক ধরনের নোড এবং/অথবা এজ সমন্বিত গ্রাফ। সুপারিশ প্ল্যাটফর্মের মতো মাল্টি-টাইপ ইন্টারঅ্যাকশন সহ জটিল সিস্টেম মডেল করে।
ম্যাট্রিক্স ফ্যাক্টরাইজেশন
সুপারিশ ডেটাতে লেটেন্ট বৈশিষ্ট্য আবিষ্কার করতে ব্যবহৃত ম্যাট্রিক্স ডিকম্পোজিশন কৌশল। ব্যবহারকারী-আইটেম ইন্টারঅ্যাকশনের উপস্থাপনা উন্নত করতে গ্রাফিক পদ্ধতিতে একীভূত।
দ্বিপক্ষীয় গ্রাফ
দুটি পৃথক নোড সেট সহ গ্রাফ কাঠামো যেখানে এজগুলি শুধুমাত্র বিভিন্ন সেটের নোডগুলিকে সংযুক্ত করে। সুপারিশ সিস্টেমে ব্যবহারকারী-আইটেম সম্পর্ক মডেল করার জন্য মৌলিক।
গ্রাফ এম্বেডিং
গ্রাফের টপোলজিকাল কাঠামোকে অবিচ্ছিন্ন ভেক্টর উপস্থাপনায় রূপান্তরের প্রক্রিয়া। গ্রাফ ডেটাতে ঐতিহ্যগত মেশিন লার্নিং অ্যালগরিদম প্রয়োগ করতে সক্ষম করে।
গ্রাফ অ্যাটেনশন নেটওয়ার্ক
প্রতিবেশী নোডগুলির অবদানকে ভিন্নভাবে ওজন দেওয়ার জন্য অ্যাটেনশন মেকানিজম অন্তর্ভুক্ত করে এমন জিএনএন আর্কিটেকচার। সবচেয়ে প্রাসঙ্গিক সম্পর্কগুলিতে ফোকাস করে কর্মক্ষমতা উন্নত করে।
সেশন-ভিত্তিক সুপারিশ
একক ব্যবহারকারী সেশনের সময়গত মিথস্ক্রিয়া ব্যবহার করে সুপারিশ পদ্ধতি। একটি গতিশীল গ্রাফ হিসাবে মডেল করা হয় যেখানে নোডগুলি অনুক্রমিকভাবে পরিদর্শন করা আইটেমগুলিকে উপস্থাপন করে।
কোল্ড স্টার্ট সমস্যা
সুপারিশে একটি বড় চ্যালেঞ্জ যখন নতুন ব্যবহারকারী বা আইটেমের জন্য ঐতিহাসিক ডেটার অভাব থাকে। কাঠামোগত সম্পর্ক এবং মেটাডেটা ব্যবহার করে গ্রাফ পদ্ধতি এই সমস্যা হ্রাস করে।
নলেজ গ্রাফ এম্বেডিং
একটি নলেজ গ্রাফের সত্তা এবং সম্পর্কগুলিকে ভেক্টর আকারে উপস্থাপনের জন্য নির্দিষ্ট কৌশল। সুপারিশ সিস্টেম সমৃদ্ধ করার জন্য সেমান্টিক তথ্য সংরক্ষণ করে।
গ্রাফ ট্রাভার্সাল
নির্দিষ্ট নিয়ম অনুসারে গ্রাফের নোড এবং এজগুলি অন্বেষণকারী অ্যালগরিদম। ব্যবহারকারী এবং আইটেমগুলির মধ্যে প্রাসঙ্গিক পথ আবিষ্কারের জন্য সুপারিশে ব্যবহৃত।
নোড শ্রেণীবিভাগ
তাদের বৈশিষ্ট্য এবং সম্পর্কের ভিত্তিতে গ্রাফের নোডগুলিতে লেবেল নির্ধারণের কাজ। সুপারিশ সিস্টেমে ব্যবহারকারী বা আইটেম শ্রেণীবিভাগের জন্য প্রয়োগ করা।
লিঙ্ক পূর্বাভাস
একটি গ্রাফে নোড জোড়ার মধ্যে ভবিষ্যত লিঙ্কের অস্তিত্ব ভবিষ্যদ্বাণী করার সমস্যা। ব্যবহারকারী-আইটেম মিথস্ক্রিয়া পূর্বাভাস এবং প্রাসঙ্গিক সুপারিশ তৈরি করার জন্য অপরিহার্য।
গ্রাফ স্যাম্পলিং
গণনাগত জটিলতা কমানোর জন্য প্রতিনিধিত্বমূলক উপ-গ্রাফ নির্বাচনের কৌশল। বৃহৎ আকারের গ্রাফ প্রক্রিয়াকরণে স্কেলযোগ্য সুপারিশ ব্যবস্থায় অত্যন্ত গুরুত্বপূর্ণ।