Исследователи Yandex’а представили метод повысить точность рекомендательных систем

Спецы Yandex’а разработали математический способ, который увеличивает точность рекомендательных систем в среднем на 7%, сберегая при всем этом вычислительные ресурсы. Yandex планирует употреблять способ при обучении рекомендательных моделей собственных сервисов, а именно Маркета.

Решение полезно и иным компаниям, которые употребляют рекомендательные сервисы – к примеру, предлагая юзерам продукты либо контент.

О новеньком способе исследователи Yandex’а поведали в научной статье, принятой на престижную международную конференцию ACM RecSys 2025.

Неувязка имеющихся систем заключается в компромиссе меж точностью и производительностью. Для обучения моделей на миллионах продуктов либо видео нужно много ресурсов. Чтоб уменьшить издержки, нередко употребляют способ sampled softmax (метод выборочного сэмплирования).

Его сущность в том, что систему учят различать предпочтения людей методом сопоставления реализованных действий, которые юзеры сделали по отношению к определенному объекту (положительные примеры), с нереализованными действиями, которых они не совершали относительно такого же объекта (отрицательные примеры). В качестве объекта, к примеру, может выступать определенный продукт, тогда положительный пример – это добавление в корзину, а отрицательный – просмотр на веб-сайте без прибавления. Обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) системы строится на том, что ей демонстрируют положительный пример и отрицательные, – и благодаря этому модель начинает различать одно от другого, объясняет Yandex.

Но данный способ имеет недочеты. К примеру, обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) быть может плохим из-за неправильного учета вероятностей. В итоге модель будет давать неправильные советы.

Решение Yandex’а – новенькая формула пересчета вероятностей того, что юзер заинтересуется определенным продуктом либо контентом, – LogQ. Благодаря формуле модель при обучении осознает, что настоящие деяния юзера выбираются не случайным образом и очевидно задаются ей как положительные примеры, а другие примеры – отрицательные и выбраны случаем. Это дозволяет уменьшить смещения в оценках со стороны модели, другими словами преломления, действующие на точность ее финишных советов. В итоге модель лучше осознает предпочтения юзеров и, как следствие, дает им наиболее пригодные советы.

Компании и создатели могут употреблять новейшую формулу при обучении хоть какой рекомендательной системы. Для этого им не придется поменять архитектуру собственных моделей.

Напомним, ранее Yandex и ВШЭ запустили 2-ой сезон интернациональной олимпиады по ИИ и анализу данных.

Оригинал анонсы на SEOnews

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *