Creo que el próximo gran salto adelante en los sistemas de recomendación, después del filtrado basado en contenido y los métodos de factorización latente, será la tecnología de aprendizaje profundo de la aplicación. El aprendizaje profundo ofrece muchas formas nuevas de apoyar o modelar el proceso humano de toma de decisiones.
- Además de los metadatos de contenido (CBF), los datos de interacción entre elementos de usuario (CF) y el contexto (CARS), se puede tener en cuenta el contenido en sí mismo en el modelado. Ya hay algunos ejemplos con música, vea este documento de NIPS 2013 en wustl.edu, o cómo Spotify usa el aprendizaje profundo para la recomendación de música.
- Modelado de entrada heterogénea en artículos; En el proceso de selección humana, uno decide qué elemento seleccionar en función de algunos conocimientos latentes o preferencias y una impresión rápida. Si uno toma en cuenta, por ejemplo, la imagen del producto en el modelado, puede llegar a modelar mejor la elección o las preferencias del usuario.
- El aprendizaje profundo también puede ayudar con el problema de arranque en frío. Utilizamos RNN para la recomendación basada en la sesión, teniendo en cuenta la información secuencial de la interacción del usuario para el modelado (documento presentado a ICLR 2016, ver en Arxiv). Esto ayuda en el problema de arranque en frío porque es aplicable incluso si no tenemos historial de usuario, solo usando los datos de la sesión actual en el enfoque de modelado.
Este es solo un ejemplo. Estamos convencidos de que seguramente habrá aún más aplicación del aprendizaje profundo en los sistemas de recomendación.
- ¿Existe alguna implementación del modelo de atención en el flujo tensorial?
- ¿Cómo es ser aconsejado por Sunita Sarawagi?
- ¿Es incorrecto si realizo un análisis de opinión en revisiones individuales en lugar de en todas las revisiones a la vez?
- ¿Cuáles son los buenos algoritmos para la extracción de características para grandes conjuntos de datos?
- ¿Cuál es la diferencia clave entre un autoencoder variacional y una red adversa generativa, y cuándo debo usar cada modelo?
