Interpreto su pregunta de la siguiente manera: cómo se normalizan los datos de retroalimentación implícita para la FQ dada cuando solo hay datos de retroalimentación positiva unaria y no hay retroalimentación negativa. Mi respuesta es relevante para el tipo de factorización matricial de CF. Mi respuesta es independiente del dominio, ya que no se dio en la pregunta qué especificidad es posible que desee explotar desde el dominio de la música. Entonces, primero, supongo que los usuarios pueden escuchar (o no escuchar) las canciones.
Existen dos dificultades principales cuando modela preferencias utilizando datos de retroalimentación implícitos:
- las interacciones del usuario solo pueden interpretarse como comentarios positivos, y esto puede ser inexacto: la música puede estar en segundo plano y el usuario no interactúa realmente con el sistema, o uno puede decepcionarse con el bien comprado (dominio de comercio electrónico), haga clic en un artículo debido a cebo de clics (dominio de noticias), solo para dar algunas pistas.
- faltan completamente las preferencias negativas directas; La falta de interacción generalmente significa que el usuario desconoce la existencia del elemento.
Por lo tanto, la importancia de la retroalimentación positiva es mucho mayor que la falta de retroalimentación negativa, por lo tanto, los tipos de retroalimentación deben ponderarse (normalizarse) de manera diferente en el modelo.
- ¿Qué son las máquinas complejas?
- ¿Es necesario un conjunto de validación si no se realiza un ajuste de hiperparámetro?
- ¿Cómo hace un auto Tesla el aprendizaje automático?
- ¿Por qué no estamos usando el coeficiente beta como una selección de características?
- ¿Cuál es la posibilidad de hacer una máquina de pensamiento real?
Por lo tanto, la función de error que optimizamos no es RMSE sino RMSE ponderada:
donde W es una matriz de confianza, y su elemento es un valor fijo pequeño si no hay interacción entre u e i , o un valor grande si hay interacción. Los valores típicos son 1 para pequeño y 100 * # (interacciones u, i ), donde suponemos que puede consumir un elemento i varias veces. La otra parte de la función de error es el estándar, los dos últimos miembros de la suma son sesgos de usuario y elemento.
Entonces, aquí creamos dos matrices a partir de las interacciones del usuario, R es una matriz binaria que tiene 1 en ( u, i ) si interactuamos con i . La matriz de confianza W que especifica nuestra confianza en la celda apropiada de la matriz R.
El modelo de aprendizaje con ALS (implícito) se describe en el artículo de Yu et al.
En este modelo, también puede agregar información adicional sobre escuchar música. Si conoce la duración de la escucha (en comparación con la duración de la canción), puede variar las confidencias de retroalimentación positiva en W. Incluso, puede ponderar una retroalimentación “positiva” existente por debajo del valor de la “retroalimentación negativa”, si , por ejemplo, el usuario escucha solo unos segundos de una canción. Pero tenga en cuenta que estas son interpretaciones: en realidad no sabe por qué el usuario hace clic.
