Четыре видео для начинающих разработчиков рекомендательных систем

МЕНЮ


Искусственный интеллект. Новости
Поиск
Регистрация на сайте
Сбор средств на аренду сервера для ai-news

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация




RSS


RSS новости

Новостная лента форума ailab.ru


Все современные рекомендательные системы основаны на машинном обучении. Неважно, что ваша система рекомендует пользователям: контент в соцсетях, музыку на музыкальном сервисе или товары на Яндекс.Маркете. И как во многих задачах машинного обучения, в рекомендациях неплохо себя показывают нейронные сети. Посмотрите на эту тему два выступления — вводную учебную лекцию Евгения Соколова (консультанта Яндекс.Дзена и преподавателя Вышки и ШАДа), а также более хардкорный доклад Дмитрия Ушанова (который тоже работает в Дзене — руководит службой качества рекомендаций). Женя объяснил, что в принципе представляют из себя рекомендательные системы, а Дима перечислил современные нейросетевые подходы к рекомендациям и их преимущества в сравнении с классическими методами.

https://youtu.be/n--5_Env1UU

https://youtu.be/N0NUwz3xWX4

Популярные сервисы рекомендаций потому и популярны, что работают неплохо. Это означает, что базовая задача плюс-минус решена. Многие разработчики сейчас сосредоточены не на том, чтобы повышать на доли процента и без того высокое качество (хотя это по-прежнему важный процесс), а на менее очевидных проблемах. Например, специалисты Яндекс.Музыки в прошлом году задумались: а как рекомендовать треки от малоизвестных исполнителей, которых слушают единицы? С одной стороны, данных по проигрыванию их музыки слишком мало для качественной работы алгоритмов, с другой — непопулярность не означает отсутствие таланта. Руководитель группы ML Медиасервисов Даниил Бурлаков поделился опытом решения этой проблемы. Способы, которые попробовала команда Даниила, вдохновят вас на неочевидные улучшения в вашем собственном сервисе.

https://youtu.be/TaUqh_CeCPc?t=125

«Многорукие бандиты» — метод тестирования гипотез, который, в отличие от аналогов, позволяет быстро выявить наиболее перспективную гипотезу. В данном случае перебираются гипотезы о том, какие факторы стоит учитывать в рекомендациях. Михаил Каменщиков из команды дата-саентистов Авито рассказал, как они применяют «бандитов» для разных задач и улучшают блок похожих объявлений на странице товара. Эта технология используется и в Яндекс.Музыке, в одном из наших текстов мы подробно рассказывали о том, как работают рекомендации в этом сервисе: https://ya.cc/6G8YP

https://youtu.be/O5MxQ00VVYs

Комментарии: