Slope One - Википедия - Slope One

Склон один семейство алгоритмов, используемых для совместная фильтрация, представленный в статье Даниэля Лемира и Анны Маклахлан в 2005 году.^[1] Возможно, это простейшая форма нетривиального совместная фильтрация на основе элементов на основе рейтингов. Их простота позволяет легко реализовать их эффективно, в то время как их точность часто не уступает более сложным и дорогостоящим в вычислительном отношении алгоритмам.^[1][2] Они также использовались как строительные блоки для улучшения других алгоритмов.^{[3][4][5][6][7][8][9]} Они являются частью основных библиотек с открытым исходным кодом, таких как Apache Mahout и Easyrec.

Совместная фильтрация оцененных ресурсов и переобучения на основе элементов

Когда оценки элементов доступны, например, в случае, когда людям предоставляется возможность выбора рейтинговых ресурсов (например, от 1 до 5), совместная фильтрация направлена ​​на прогнозирование оценок одного человека на основе его прошлых оценок и ( большая) база данных рейтингов других пользователей.

Пример: Можем ли мы предсказать оценку, которую человек поставит новому альбому Селин Дион, учитывая, что он поставил Beatles 5 из 5?

В этом контексте совместная фильтрация на основе элементов ^[10][11] прогнозирует оценки по одному элементу на основе оценок по другому элементу, обычно используя линейная регрессия (${ displaystyle f (x) = ax + b}$). Следовательно, если имеется 1000 элементов, можно изучить до 1 000 000 линейных регрессий, а значит, до 2 000 000 регрессоров. Этот подход может иметь серьезные переоснащение^[1] если мы не выберем только пары элементов, для которых несколько пользователей оценили оба элемента.

Лучшей альтернативой может быть изучение более простого предиктора, такого как ${ displaystyle f (x) = x + b}$: эксперименты показывают, что этот более простой предсказатель (называемый Slope One) иногда превосходит^[1] линейная регрессия при половинном количестве регрессоров. Этот упрощенный подход также снижает требования к хранилищу и время ожидания.

Совместная фильтрация на основе элементов - это лишь одна из форм совместная фильтрация. Другие альтернативы включают в себя совместную фильтрацию на основе пользователей, когда интересуют отношения между пользователями. Однако совместная фильтрация на основе элементов особенно масштабируется в зависимости от количества пользователей.

Совместная фильтрация статистики покупок на основе товаров

Нам не всегда выставляют оценки: когда пользователи предоставляют только двоичные данные (товар был куплен или нет), то Slope One и другой алгоритм, основанный на рейтинге, не применяются^{[нужна цитата ]}. Примеры совместной фильтрации на основе бинарных элементов включают Amazon от предмета к предмету запатентованный алгоритм^[12] который вычисляет косинус между двоичными векторами, представляющими покупки в матрице пользовательских товаров.

Алгоритм Item-to-Item, который, возможно, проще, чем даже Slope One, предлагает интересную точку отсчета. Рассмотрим пример.

Пример статистики покупок

Покупатель	Пункт 1	Пункт 2	Пункт 3
Джон	Купил это	Не купил это	Купил это
отметка	Не купил	Купил это	Купил это
Люси	Не купил это	Купил это	Не купил это

В этом случае косинус между элементами 1 и 2 равен:

${ Displaystyle { гидроразрыва {(1,0,0) cdot (0,1,1)} { Vert (1,0,0) Vert Vert (0,1,1) Vert}} = 0}$,

Косинус между пунктами 1 и 3 равен:

${ Displaystyle { гидроразрыва {(1,0,0) cdot (1,1,0)} { Vert (1,0,0) Vert Vert (1,1,0) Vert}} = { frac {1} { sqrt {2}}}}$,

В то время как косинус между пунктами 2 и 3 равен:

${ Displaystyle { гидроразрыва {(0,1,1) cdot (1,1,0)} { Vert (0,1,1) Vert Vert (1,1,0) Vert}} = { frac {1} {2}}}$.

Следовательно, пользователь, посещающий элемент 1, получит элемент 3 как рекомендацию, пользователь, посещающий элемент 2, получит элемент 3 как рекомендацию, и, наконец, пользователь, посещающий элемент 3, получит элемент 1 (а затем элемент 2) в качестве рекомендации. Модель использует один параметр для каждой пары элементов (косинус), чтобы сделать рекомендацию. Следовательно, если есть п предметы, до п (п-1) / 2 косинусы необходимо вычислить и сохранить.

Наклонная одна совместная фильтрация для оцененных ресурсов

Чтобы резко сократить переоснащение, повысить производительность и упростить внедрение, Склон один семейство легко реализуемых предметов на основе рейтинга совместная фильтрация предложены алгоритмы. По сути, вместо использования линейной регрессии от оценок одного элемента к рейтингам другого элемента (${ displaystyle f (x) = ax + b}$), он использует более простую форму регрессии с одним свободным параметром (${ Displaystyle f (x) = x + b}$). Свободный параметр - это просто средняя разница между рейтингами двух элементов. Было показано, что в некоторых случаях она намного точнее линейной регрессии,^[1] и занимает половину памяти или меньше.

Пример:

1. Пользователь A поставил 1 баллу I и 1,5 баллу J.
2. Пользователь B поставил 2 баллу I.
3. Как вы думаете, как пользователь B оценил элемент J?
4. Ответ на наклон 1 - 2,5 (1,5–1 + 2 = 2,5).

Для более реалистичного примера рассмотрим следующую таблицу.

Образец рейтинговой базы данных

Покупатель	Пункт А	Пункт B	Пункт C
Джон	5	3	2
отметка	3	4	Не оценил
Люси	Не оценил	2	5

В этом случае средняя разница в рейтингах между пунктом B и A составляет (2 + (- 1)) / 2 = 0,5. Следовательно, в среднем элемент A имеет рейтинг выше элемента B на 0,5. Точно так же средняя разница между заданием C и A составляет 3. Следовательно, если мы попытаемся предсказать рейтинг Люси по пункту A, используя ее рейтинг по пункту B, мы получим 2 + 0,5 = 2,5. Точно так же, если мы попытаемся предсказать ее рейтинг по пункту A, используя ее рейтинг по пункту C, мы получим 5 + 3 = 8.

Если пользователь оценил несколько элементов, прогнозы просто объединяются с использованием средневзвешенного значения, где хорошим выбором веса является количество пользователей, оценивавших оба элемента. В приведенном выше примере Джон и Марк оценили элементы A и B, следовательно, вес 2, и только Джон оценил оба элемента A и C, следовательно, вес 1, как показано ниже. мы бы прогнозировали следующую оценку Люси по пункту А как:

${ displaystyle { frac {2 times 2,5 + 1 times 8} {2 + 1}} = { frac {13} {3}} = 4,33}$

Следовательно, учитывая п элементов, чтобы реализовать Slope One, все, что необходимо, - это вычислить и сохранить средние различия и количество общих оценок для каждого из п² пары предметов.

Алгоритмическая сложность Slope One

Предположим, есть п Предметы, м пользователи и N рейтинги. Для вычисления средней разницы рейтингов для каждой пары элементов требуется до п (п-1) / 2 единиц хранения, и до m n² временные шаги. Эта расчетная оценка может быть пессимистичной: если мы предположим, что пользователи оценили до у элементов, то можно вычислить различия не более чем в п²+мой². Если пользователь вошел Икс рейтинги, для прогнозирования одного рейтинга требуется Икс шагов по времени, и для прогнозирования всех его недостающих оценок требуется до (п-х)Икс временные шаги. Обновление базы данных, когда пользователь уже вошел Икс рейтинги, и входит в новый, требует Икс временные шаги.

Можно уменьшить требования к хранилищу, разделив данные (см. Раздел (база данных) ) или с использованием разреженного хранилища: пары элементов, у которых нет (или несколько) пользователей, занимающихся сортировкой, могут быть опущены.

Сноски