Глоссарий ИИ
Полный словарь искусственного интеллекта
Factorisation de Matrices
Technique algébrique décomposant une matrice utilisateur-item en produit de deux matrices de plus faible rang pour révéler les caractéristiques latentes des préférences.
Décomposition en Valeurs Singulières (SVD)
Méthode de factorisation décomposant une matrice M en UΣV' où U et V sont orthogonales et Σ diagonale, permettant la réduction dimensionnelle optimale.
Facteurs Latents
Variables cachées non observables représentant les caractéristiques intrinsèques des utilisateurs et des items, apprises automatiquement lors de la factorisation.
Descente de Gradient Stochastique (SGD)
Algorithme d'optimisation itératif mettant à jour les paramètres de factorisation en utilisant un échantillon aléatoire à chaque itération pour minimiser l'erreur de prédiction.
Apprentissage Alterné des Moindres Carrés (ALS)
Méthode d'optimisation alternant la fixation d'une matrice de facteurs pour résoudre analytiquement l'autre, garantissant la convergence vers un optimum local.
Régularisation
Technique prévenant le surapprentissage en ajoutant une pénalité sur la magnitude des paramètres, favorisant des solutions plus générales et robustes.
Vectorisation
Processus de représentation des entités (utilisateurs/items) sous forme de vecteurs denses dans un espace latent de dimension réduite.
Factorisation de Matrice Non-Négative (NMF)
Variante de factorisation contraignant toutes les matrices résultantes à contenir uniquement des valeurs non-négatives, améliorant l'interprétabilité des facteurs.
Смещение пользователя и элемента
Дополнительные члены, отражающие систематические тенденции пользователей (общая тенденция ставить высокие/низкие оценки) и элементов (внутренняя популярность).
Обучение на парах
Подход, напрямую оптимизирующий относительное ранжирование элементов, рассматривая пары (положительный элемент, отрицательный элемент) вместо абсолютных оценок.
Проблема холодного старта
Основная проблема, при которой факторизация не может генерировать надежные рекомендации для новых пользователей или элементов без истории взаимодействий.
Тензорная факторизация
Многомерное расширение матричной факторизации, позволяющее одновременно моделировать несколько измерений (пользователь, элемент, контекст, время).
Глубокое обучение для факторизации
Интеграция нейронных сетей для захвата сложных нелинейных отношений между латентными факторами, повышающая точность рекомендаций.
Функция потерь
Мера, количественно оценивающая расхождение между предсказаниями факторизованной модели и реальными значениями, служащая целью для минимизации при обучении.
Скорость обучения
Гиперпараметр, контролирующий величину обновления параметров при оптимизации, влияющий на скорость и стабильность сходимости.
Гибридное встраивание
Сочетание матричной факторизации со встраиваниями на основе контента, объединяющее коллаборативные и контентные подходы.