এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
অনুক্রমিক সুপারিশ
ব্যবহারকারীর মিথস্ক্রিয়ার কালানুক্রমিক ক্রম মডেল করে পরবর্তী আগ্রহের পূর্বাভাস দেওয়ার জন্য সুপারিশ সিস্টেমের পদ্ধতি। প্রচলিত পদ্ধতির বিপরীতে, এটি সময়গত নির্ভরতা এবং পছন্দের বিবর্তন ধারণ করে।
সেশন-ভিত্তিক সুপারিশ
অনুক্রমিক সুপারিশের একটি উপ-ক্ষেত্র যা একটি একক ব্যবহারকারী সেশনের মধ্যে মিথস্ক্রিয়াগুলিতে মনোনিবেশ করে। এটির দীর্ঘমেয়াদী ইতিহাসের প্রয়োজন নেই এবং প্রাসঙ্গিক সুপারিশ তৈরি করতে তাৎক্ষণিক আচরণের উপর ভিত্তি করে।
মার্কভ সিদ্ধান্ত প্রক্রিয়া
ক্রমিক সিদ্ধান্ত গ্রহণের জন্য একটি আনুষ্ঠানিক গাণিতিক মডেল যেখানে ভবিষ্যতের অবস্থা শুধুমাত্র বর্তমান অবস্থা এবং গৃহীত কর্মের উপর নির্ভর করে। আইটেমগুলির মধ্যে রূপান্তর মডেল করার জন্য সুপারিশ সিস্টেমে প্রয়োগ করা হয়।
জিআরইউ৪রেক
গেটেড রিকারেন্ট ইউনিট (জিআরইউ) ভিত্তিক একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক আর্কিটেকচার যা বিশেষভাবে সেশন-ভিত্তিক সুপারিশের জন্য ডিজাইন করা হয়েছে। এটি অনুক্রমিক ডেটার উপর কর্মক্ষমতা উন্নত করতে অ্যাটেনশন মেকানিজম এবং স্যাম্পলিং কৌশল ব্যবহার করে।
বার্ট৪রেক
বার্ট আর্কিটেকচার থেকে অভিযোজিত একটি অনুক্রমিক সুপারিশ মডেল যা প্রাসঙ্গিক নির্ভরতা ক্যাপচার করতে দ্বি-দিকনির্দেশক ট্রান্সফরমার ব্যবহার করে। এটি শক্তিশালী অনুক্রমিক উপস্থাপনা শেখার জন্য প্রাক-প্রশিক্ষণ কাজ হিসাবে আইটেম মাস্কিং প্রয়োগ করে।
ট্রান্সফরমার-ভিত্তিক সুপারিশ
মিথস্ক্রিয়া ক্রমগুলিতে দীর্ঘ-দূরত্বের নির্ভরতা ক্যাপচার করতে ট্রান্সফরমার আর্কিটেকচার ব্যবহার করা মডেলগুলির একটি শ্রেণী। মাল্টি-হেড অ্যাটেনশন মেকানিজমের মাধ্যমে এই মডেলগুলি প্রচলিত আরএনএনগুলিকে ছাড়িয়ে যায়।
অনুক্রমিক প্যাটার্ন মাইনিং
ব্যবহারকারী লেনদেনের ক্রমগুলিতে ঘন ঘন এবং ক্রমবদ্ধ প্যাটার্ন আহরণের প্রক্রিয়া। এই প্যাটার্নগুলি সাধারণ আচরণ বোঝার ভিত্তি হিসাবে কাজ করে এবং পর্যবেক্ষিত প্রবণতার উপর ভিত্তি করে সুপারিশ তৈরি করে।
পরবর্তী আইটেম পূর্বাভাস
অনুক্রমিক সুপারিশের মৌলিক কাজ যা একটি ব্যবহারকারী পরবর্তীতে কোন আইটেমের সাথে ইন্টারঅ্যাক্ট করতে পারে তার পূর্বাভাস দেয়। এটি বেশিরভাগ আধুনিক অনুক্রমিক মডেলের জন্য প্রশিক্ষণের উদ্দেশ্য হিসাবে কাজ করে।
Temporal Dynamics
Phénomène où les préférences utilisateur évoluent dans le temps, nécessitant des modèles qui capturent ces changements progressifs. Les systèmes de recommandation séquentielle intègrent ces dynamiques pour maintenir la pertinence des suggestions.
User Session Modeling
Technique de représentation des interactions utilisateur au sein d'une session comme une séquence ordonnée significative. Elle permet de capturer l'intention à court terme et le contexte de navigation pour des recommandations instantanées.
Sequential Embedding
Représentation vectorielle des items ou utilisateurs qui préserve l'information séquentielle et contextuelle des interactions. Ces embeddings capturent à la fois les caractéristiques intrinsèques et les relations temporelles entre les items.
SASRec
Self-Attentive Sequential Recommendation, modèle pionnier utilisant uniquement les mécanismes d'attention pour la recommandation séquentielle. Il capture efficacement les dépendances à longue distance sans les limitations des RNN traditionnels.
NARM
Neural Attentive Recommendation Machine, modèle combinant RNN et mécanisme d'attention pour la recommandation session-based. Il capture à la fois le comportement séquentiel global et les intentions principales de la session actuelle.
STAMP
Short-Term Attention/Memory Priority Model, architecture se concentrant sur les dernières interactions pour la recommandation session-based. Il utilise l'attention pour pondérer l'importance des différents items dans la mémoire à court terme.
Time-aware Recommendation
Approche intégrant explicitement les informations temporelles (timestamps, durées, cycles) dans les modèles de recommandation. Elle améliore la précision en capturant les patterns temporels et la récence des interactions.
Sequential Cold Start
Défi spécifique aux systèmes séquentiels lors de la recommandation pour de nouveaux utilisateurs ou items avec peu ou pas d'historique. Les solutions incluent le transfert learning et les modèles basés sur les sessions pour atténuer ce problème.
জিএনএন-ভিত্তিক অনুক্রমিক সুপারিশ
অনুক্রমে আইটেমগুলির মধ্যে জটিল সম্পর্ক মডেল করার জন্য গ্রাফ নিউরাল নেটওয়ার্ক ব্যবহার করে পদ্ধতি। এটি অনুক্রমিক ডেটাতে অন্তর্নিহিত গ্রাফ কাঠামো এবং অবস্থা পরিবর্তনগুলিকে কার্যকরভাবে ক্যাপচার করে।
শ্রেণীবদ্ধ অনুক্রমিক মডেলিং
বিভিন্ন সময় স্কেলে প্যাটার্ন ক্যাপচার করার জন্য একাধিক বিমূর্ততা স্তরে (সেশন, দিন, সপ্তাহ) অনুক্রম মডেল করার কৌশল। এটি ব্যবহারকারীর আচরণের আরও সূক্ষ্ম বোঝার অনুমতি দেয়।
বিপরীতমুখী অনুক্রমিক শেখা
একই অনুক্রমের ইতিবাচক দৃশ্যের মধ্যে সাদৃশ্য সর্বাধিক করে অনুক্রমিক উপস্থাপনা উন্নত করতে বিপরীতমুখী শেখা ব্যবহার করে শেখার প্যারাডাইম। এটি শোরগোল এবং স্পার্স ডেটার বিরুদ্ধে মডেলের দৃঢ়তা শক্তিশালী করে।