एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
डीप लर्निंग अनुशंसा प्रणालियां
उपयोगकर्ताओं और वस्तुओं के बीच जटिल संबंधों को मॉडल करने के लिए गहरे तंत्रिका नेटवर्क का उपयोग करने वाली अनुशंसा प्रणालियां। ये प्रणालियां डेटा में गैर-रैखिक इंटरैक्शन और लेटेंट पैटर्न को कैप्चर करके पारंपरिक तरीकों को पीछे छोड़ देती हैं।
एम्बेडिंग लेयर्स
तंत्रिका नेटवर्क की परतें जो विरल कैटेगोरिकल वेरिएबल्स को कम-आयामी डेंस वेक्टर्स में बदलती हैं। एम्बेडिंग्स एक निरंतर वेक्टर स्पेस में आइटम्स और उपयोगकर्ताओं के बीच सिमेंटिक समानताओं को कैप्चर करते हैं।
न्यूरल कोलाबोरेटिव फिल्टरिंग
उपयोगकर्ता-आइटम इंटरैक्शन को मॉडल करने के लिए पारंपरिक फैक्टराइजेशन मॉडल्स को गहरे तंत्रिका नेटवर्क से बदलने वाली तंत्रिका नेटवर्क आर्किटेक्चर। एनसीएफ सरल मैट्रिक्स मल्टीप्लिकेशन से परे जटिल इंटरैक्शन फंक्शन सीखता है।
वाइड एंड डीप लर्निंग
मेमोराइजेशन के लिए एक वाइड मॉडल (लॉजिस्टिक रिग्रेशन) और जनरलाइजेशन के लिए एक डीप मॉडल (तंत्रिका नेटवर्क) को जोड़ने वाली हाइब्रिड आर्किटेक्चर। यह दृष्टिकोण डेटा में दोनों, स्पष्ट और अप्रत्यक्ष पैटर्न को प्रभावी ढंग से कैप्चर करता है।
डीपएफएम (डीप फैक्टराइजेशन मशीन)
लो और हाई-लेवल फीचर्स को एक साथ सीखने के लिए फैक्टराइजेशन मशीन्स और तंत्रिका नेटवर्क को एकीकृत करने वाला मॉडल। डीपएफएम एफएम और डीएनएन कंपोनेंट्स के बीच एम्बेडिंग्स साझा करता है, जिससे दक्षता और परफॉर्मेंस अनुकूलित होती है।
अनुशंसाओं के लिए ऑटोएन्कोडर्स
अनुशंसा के लिए उपयोगकर्ता प्राथमिकताओं की कंप्रेस्ड रिप्रेजेंटेशन सीखने वाले अनसुपरवाइज्ड तंत्रिका नेटवर्क। डिनॉइसिंग ऑटोएन्कोडर्स विरल और शोरयुक्त डेटा को संभालने के लिए विशेष रूप से प्रभावी होते हैं।
सेशन-आधारित अनुशंसाएं
उपयोगकर्ता सेशन में इंटरैक्शन के अनुक्रमों को मॉडल करने के लिए रिकरेंट तंत्रिका नेटवर्क (आरएनएन) का उपयोग करने वाली अनुशंसा प्रणालियां। ये मॉडल ऐतिहासिक उपयोगकर्ता प्रोफाइल की आवश्यकता के बिना टेम्पोरल और संदर्भगत इरादे को कैप्चर करते हैं।
अनुशंसाओं के लिए ग्राफ न्यूरल नेटवर्क्स
अनुशंसा प्रणालियों को उपयोगकर्ता, आइटम और एट्रिब्यूट नोड्स के साथ हेटेरोजीनस ग्राफ के रूप में प्रस्तुत करने की दृष्टिकोण। जीएनएन उच्च-क्रम के संबंधों को कैप्चर करने के लिए ग्राफ स्ट्रक्चर के माध्यम से जानकारी प्रसारित करते हैं।
सिफारिशों में ध्यान तंत्र
एक तंत्र जो अनुशंसा मॉडल्स को वर्तमान भविष्यवाणी के लिए उनकी प्रासंगिकता के अनुसार ऐतिहासिक तत्वों को अलग-अलग भार देने की अनुमति देता है। अटेंशन अनुक्रमिक और संदर्भात्मक सिफारिशों में प्रदर्शन को महत्वपूर्ण रूप से बेहतर बनाता है।
सिफारिशों के लिए ट्रांसफॉर्मर मॉडल
उपयोगकर्ता व्यवहार अनुक्रमों में लंबी दूरी की निर्भरताओं को मॉडल करने के लिए मल्टी-हेड अटेंशन मैकेनिज्म पर आधारित आर्किटेक्चर। ट्रांसफॉर्मर जटिल और गतिशील पैटर्न को कैप्चर करने में RNNs से बेहतर प्रदर्शन करते हैं।
दो-टावर आर्किटेक्चर
एक समान एम्बेडिंग स्पेस में उपयोगकर्ता और आइटम विशेषताओं को एनकोड करने के लिए अलग-अलग टावरों के साथ द्वैत मॉडल। आइटम एम्बेडिंग के पूर्व-गणना के लिए धन्यवाद, यह आर्किटेक्चर लाखों आइटम्स के लिए प्रभावी ढंग से स्केल होता है।
अनुक्रमिक अनुशंसा मॉडल
इंटरैक्शन के अनुक्रमिक अनुक्रमों के माध्यम से उपयोगकर्ता प्राथमिकताओं के गतिशील विकास को कैप्चर करने वाले डीप लर्निंग मॉडल। इन आर्किटेक्चर में अनुक्रमिक निर्भरताओं को मॉडल करने के लिए RNNs, ट्रांसफॉर्मर या GNNs का उपयोग किया जाता है।
डीप क्रॉस नेटवर्क
विशेषताओं के बीच मनमाने डिग्री के स्पष्ट क्रॉस इंटरैक्शन को प्रभावी ढंग से सीखने के लिए विशेष रूप से डिज़ाइन किया गया आर्किटेक्चर। DCN सामान्यीकरण के लिए कुशल क्रॉस परतों को गहरी परतों के साथ जोड़ता है।
सिफारिशों के लिए वैरिएशनल ऑटोएन्कोडर
मजबूत सिफारिशों के लिए उपयोगकर्ता प्राथमिकताओं की लेटेंट वितरण को सीखने वाले प्राबेबिलिस्टिक जेनरेटिव मॉडल। VAE स्वाभाविक रूप से अनिश्चितता को प्रबंधित करते हैं और सिफारिशों की विविधता में सुधार करते हैं।
सिफारिशों के लिए सुदृढीकरण अधिगम
लंबी अवधि के इनाम को अनुकूलित करने के लिए सिफारिश को मार्कोव निर्णय प्रक्रिया के रूप में तैयार करने का दृष्टिकोण। RL एजेंट स्थायी उपयोगकर्ता जुड़ाव को अधिकतम करने वाली अनुकूली सिफारिश नीतियां सीखते हैं।
सिफारिशों के लिए बहु-कार्य अधिगम
सामान्यीकरण और दक्षता में सुधार के लिए एक साथ कई उद्देश्यों (CTR, CVR, सत्र समय) को सीखने का पैराडाइम। MTL विशिष्ट कार्यों में विशेषज्ञता के साथ-साथ प्रस्तुतियों को साझा करता है।
डीप लर्निंग के साथ कोल्ड स्टार्ट समस्या
आरंभिक एम्बेडिंग उत्पन्न करने के लिए मेटाडेटा और न्यूरल नेटवर्क का उपयोग करने वाली डीप लर्निंग आर्किटेक्चर द्वारा संबोधित चुनौती। ट्रांसफर लर्निंग मॉडल और कंटेंट ग्राफ पर GNNs विशेष रूप से प्रभावी हैं।
न्यूरल फैक्टराइज़ेशन मशीन्स
विशेषताओं के बीच जटिल गैर-रैखिक इंटरैक्शन को कैप्चर करने के लिए न्यूरल नेटवर्क को एकीकृत करके फैक्टराइज़ेशन मशीन्स का विस्तार। NFM, FM की दक्षता को डीप लर्निंग की एक्सप्रेसिव पावर के साथ जोड़ता है।