Glossário IA
O dicionário completo da Inteligência Artificial
Fatorização de Matrizes
Técnica algébrica que decompõe uma matriz usuário-item em produto de duas matrizes de menor posto para revelar as características latentes das preferências.
Decomposição em Valores Singulares (SVD)
Método de fatorização que decompõe uma matriz M em UΣV' onde U e V são ortogonais e Σ é diagonal, permitindo a redução dimensional ótima.
Fatores Latentes
Variáveis ocultas não observáveis que representam as características intrínsecas dos usuários e itens, aprendidas automaticamente durante a fatorização.
Descida de Gradiente Estocástica (SGD)
Algoritmo de otimização iterativo que atualiza os parâmetros de fatorização usando uma amostra aleatória a cada iteração para minimizar o erro de predição.
Aprendizado por Mínimos Quadrados Alternados (ALS)
Método de otimização que alterna a fixação de uma matriz de fatores para resolver analiticamente a outra, garantindo a convergência para um ótimo local.
Regularização
Técnica que previne o sobreajuste adicionando uma penalidade na magnitude dos parâmetros, favorecendo soluções mais gerais e robustas.
Vetorização
Processo de representação das entidades (usuários/itens) como vetores densos em um espaço latente de dimensão reduzida.
Fatorização de Matriz Não Negativa (NMF)
Variante de fatorização que restringe todas as matrizes resultantes a conter apenas valores não negativos, melhorando a interpretabilidade dos fatores.
Viés de Usuário e Item
Termos adicionais que capturam tendências sistemáticas dos usuários (tendências gerais de avaliar alto/baixo) e dos itens (popularidade intrínseca).
Aprendizado por Pares
Abordagem que otimiza diretamente o classificação relativa dos itens considerando pares (item positivo, item negativo) em vez de avaliações absolutas.
Problema de Inicialização a Frio
Desafio importante onde a fatorização falha em gerar recomendações confiáveis para novos usuários ou itens sem histórico de interações.
Fatorização Tensorial
Extensão multidimensional da fatorização matricial permitindo modelar simultaneamente múltiplas dimensões (usuário, item, contexto, tempo).
Aprendizado Profundo para Fatorização
Integração de redes neurais para capturar relações não-lineares complexas entre os fatores latentes, melhorando a precisão das recomendações.
Função de Perda
Medida que quantifica o desvio entre as previsões do modelo fatorizado e os valores reais, servindo como objetivo a minimizar durante o treinamento.
Taxa de Aprendizagem
Hiperparâmetro que controla a magnitude das atualizações dos parâmetros durante a otimização, influenciando a velocidade e estabilidade de convergência.
Embedding Híbrido
Combinação de fatorização matricial com embeddings baseados em conteúdo, fundindo as abordagens colaborativa e baseada em conteúdo.