Глоссарий ИИ
Полный словарь искусственного интеллекта
Deep Learning Recommendation Systems
Systèmes de recommandation utilisant des réseaux de neurones profonds pour modéliser des relations complexes entre utilisateurs et items. Ces systèmes surpassent les méthodes traditionnelles en capturant des interactions non linéaires et des patterns latents dans les données.
Embedding Layers
Couches de réseaux de neurones qui transforment des variables catégorielles éparses en vecteurs denses de faible dimension. Les embeddings capturent les similarités sémantiques entre items et utilisateurs dans un espace vectoriel continu.
Neural Collaborative Filtering
Architecture de réseau neuronal remplaçant les modèles factoriels traditionnels par des réseaux de neurones profonds pour modéliser les interactions utilisateur-item. NCF apprend des fonctions d'interaction complexes au-delà de la simple multiplication matricielle.
Wide & Deep Learning
Architecture hybride combinant un modèle large (régression logistique) pour la mémorisation et un modèle profond (réseau neuronal) pour la généralisation. Cette approche capture efficacement à la fois les patterns explicites et implicites dans les données.
DeepFM (Deep Factorization Machine)
Modèle unifiant les Factorization Machines et les réseaux de neurones pour l'apprentissage de caractéristiques de bas et haut niveau simultanément. DeepFM partage les embeddings entre les composants FM et DNN, optimisant l'efficacité et la performance.
Autoencoders for Recommendations
Réseaux de neurones non supervisés apprenant des représentations compressées des préférences utilisateur pour la recommandation collaborative. Les autoencoders dénoiseurs sont particulièrement efficaces pour gérer les données éparses et bruitées.
Session-based Recommendations
Systèmes de recommandation utilisant des réseaux de neurones récurrents (RNN) pour modéliser les séquences d'interactions dans une session utilisateur. Ces modèles capturent l'intention temporelle et contextuelle sans nécessiter de profil utilisateur historique.
Graph Neural Networks for Recommendations
Approche représentant les systèmes de recommandation comme des graphes hétérogènes avec des nœuds utilisateurs, items et attributs. Les GNNs propagent l'information à travers les structures graphiques pour capturer des relations de haut ordre.
Механизм внимания в рекомендациях
Механизм позволяющий моделям рекомендаций по-разному взвешивать исторические элементы в зависимости от их релевантности для текущего прогноза. Внимание значительно улучшает производительность в последовательных и контекстуальных рекомендациях.
Модели Transformer для рекомендаций
Архитектура основанная на механизмах многоголового внимания для моделирования зависимостей на большом расстоянии в последовательностях поведения пользователя. Transformers превосходят RNN в захвате сложных и динамических паттернов.
Архитектура с двумя башнями
Дуальная модель с раздельными башнями для кодирования характеристик пользователя и элемента в общее пространство вложений. Эта архитектура эффективно масштабируется для миллионов элементов благодаря предварительному вычислению вложений элементов.
Модели последовательных рекомендаций
Модели глубокого обучения, захватывающие динамическую эволюцию предпочтений пользователя через временные последовательности взаимодействий. Эти архитектуры используют RNN, Transformers или GNN для моделирования последовательных зависимостей.
Глубокая перекрестная сеть
Архитектура специально разработанная для эффективного изучения явительных перекрестных взаимодействий произвольной степени между характеристиками. DCN объединяет эффективные перекрестные слои с глубокими слоями для обобщения.
Вариационные автокодировщики для рекомендаций
Вероятностные генеративные модели, изучающие латентные распределения предпочтений пользователя для надежных рекомендаций. VAE естественным образом обрабатывают неопределенность и улучшают разнообразие рекомендаций.
Обучение с подкреплением для рекомендаций
Подход, формулирующий рекомендацию как марковский процесс принятия решений, оптимизирующий долгосрочные вознаграждения. Агенты RL изучают адаптивные политики рекомендаций, максимизирующие устойчивое вовлечение пользователя.
Многозадачное обучение для рекомендаций
Парадигма одновременного изучения нескольких целей (CTR, CVR, время сеанса) для улучшения обобщения и эффективности. MTL разделяет представления, специализируясь на конкретных задачах.
Проблема холодного старта в глубоком обучении
Задача, решаемая с помощью архитектур глубокого обучения, использующих метаданные и нейронные сети для генерации начальных эмбеддингов. Модели трансферного обучения и GNN на графах контента особенно эффективны.
Нейронные машины факторизации
Расширение машин факторизации, интегрирующее нейронные сети для захвата сложных нелинейных взаимодействий между признаками. NFM сочетает эффективность FM с выразительной мощью глубокого обучения.