Глоссарий ИИ
Полный словарь искусственного интеллекта
Последовательная рекомендация
Подход к системам рекомендаций, который моделирует хронологический порядок взаимодействий пользователей для прогнозирования будущих интересов. В отличие от традиционных методов, он учитывает временные зависимости и эволюцию предпочтений.
Рекомендация на основе сессий
Подобласть последовательной рекомендации, фокусирующаяся на взаимодействиях в рамках одной пользовательской сессии. Она не требует долгосрочной истории и основывается на немедленном поведении для генерации релевантных рекомендаций.
Марковский процесс принятия решений
Формальная математическая модель для принятия последовательных решений, где будущие состояния зависят только от текущего состояния и выполненного действия. Применяется в системах рекомендаций для моделирования переходов между элементами.
GRU4Rec
Архитектура рекуррентной нейронной сети на основе управляемых рекуррентных блоков (GRU), специально разработанная для рекомендации на основе сессий. Она использует механизмы внимания и методы выборки для улучшения производительности на последовательных данных.
BERT4Rec
Модель последовательной рекомендации, адаптированная из архитектуры BERT, которая использует двунаправленные трансформеры для захвата контекстуальных зависимостей. Она применяет маскирование элементов в качестве задачи предварительного обучения для изучения надежных последовательных представлений.
Рекомендация на основе трансформеров
Класс моделей, использующих архитектуру трансформера для захвата зависимостей на больших расстояниях в последовательностях взаимодействий. Эти модели превосходят традиционные РНС благодаря механизмам многоголового внимания.
Поиск последовательных паттернов
Процесс извлечения частых и упорядоченных паттернов в последовательностях транзакций пользователей. Эти паттерны служат основой для понимания типичного поведения и генерации рекомендаций на основе наблюдаемых тенденций.
Прогнозирование следующего элемента
Фундаментальная задача последовательной рекомендации, заключающаяся в прогнозировании следующего элемента, с которым, вероятно, взаимодействует пользователь. Она служит целью обучения для большинства современных последовательных моделей.
Временная динамика
Феномен, при котором предпочтения пользователя меняются со временем, что требует моделей, способных улавливать эти постепенные изменения. Системы последовательных рекомендаций интегрируют эту динамику для поддержания релевантности предложений.
Моделирование пользовательской сессии
Техника представления взаимодействий пользователя в рамках одной сессии в виде значимой упорядоченной последовательности. Она позволяет улавливать краткосрочные намерения и контекст навигации для мгновенных рекомендаций.
Последовательное вложение
Векторное представление элементов или пользователей, которое сохраняет последовательную и контекстную информацию о взаимодействиях. Эти вложения улавливают как внутренние характеристики, так и временные отношения между элементами.
SASRec
Self-Attentive Sequential Recommendation (Последовательная рекомендация с само-вниманием), пионерская модель, использующая исключительно механизмы внимания для последовательной рекомендации. Она эффективно улавливает дальнодействующие зависимости без ограничений традиционных RNN.
NARM
Neural Attentive Recommendation Machine (Нейронная рекомендательная машина с вниманием), модель, объединяющая RNN и механизм внимания для рекомендаций на основе сессий. Она улавливает как глобальное последовательное поведение, так и основные намерения текущей сессии.
STAMP
Short-Term Attention/Memory Priority Model (Модель краткосрочного внимания/приоритета памяти), архитектура, сосредоточенная на последних взаимодействиях для рекомендаций на основе сессий. Она использует внимание для взвешивания значимости различных элементов в краткосрочной памяти.
Рекомендации с учётом времени
Подход, который явно интегрирует временную информацию (временные метки, длительности, циклы) в модели рекомендаций. Он повышает точность, улавливая временные паттерны и недавность взаимодействий.
Последовательный холодный старт
Специфическая проблема для последовательных систем при рекомендации для новых пользователей или элементов с малым или отсутствующим историческим профилем. Решения включают трансферное обучение и модели на основе сессий для смягчения этой проблемы.
Последовательные рекомендации на основе GNN
Подход, использующий графовые нейронные сети для моделирования сложных взаимосвязей между элементами в последовательностях. Он эффективно улавливает переходы между состояниями и неявные графовые структуры в последовательных данных.
Иерархическое последовательное моделирование
Техника моделирования последовательностей на нескольких уровнях абстракции (сессии, дни, недели) для улавливания паттернов в разных временных масштабах. Она позволяет получить более тонкое понимание поведения пользователя.
Контрастивное последовательное обучение
Парадигма обучения, использующая контрастивное обучение для улучшения последовательных представлений путём максимизации сходства между положительными представлениями одной и той же последовательности. Она повышает устойчивость модели к шуму и разреженным данным.