Hệ thống khuyến nghị

Sự liên quan và ứng dụng

Tác động của hệ thống đề xuất lan rộng trên nhiều nền tảng kỹ thuật số. Trong thương mại điện tử, chúng gợi ý các sản phẩm mà người dùng có thể thích, ảnh hưởng đáng kể đến quyết định mua hàng và thúc đẩy doanh số, thường bổ sung cho các công cụ khám phá trực quan được hỗ trợ bởi thị giác máy tính . Các dịch vụ phát trực tuyến như Netflix và Spotify phụ thuộc rất nhiều vào các hệ thống này để quản lý danh sách phim, chương trình và nhạc được cá nhân hóa, nâng cao khả năng giữ chân người dùng. Các nền tảng truyền thông xã hội sử dụng công cụ đề xuất để gợi ý các kết nối, nhóm và nguồn cấp nội dung phù hợp với sở thích cá nhân. Tương tự như vậy, các công cụ tổng hợp tin tức và nền tảng nội dung tận dụng các đề xuất để cá nhân hóa nguồn cấp dữ liệu, đảm bảo người dùng khám phá các bài viết và thông tin có liên quan đến họ, đôi khi sử dụng các kỹ thuật liên quan đến tìm kiếm ngữ nghĩa để hiểu ý nghĩa của nội dung.

Các loại hệ thống khuyến nghị

Một số kỹ thuật cốt lõi được sử dụng để xây dựng hệ thống đề xuất, thường kết hợp với nhau:

• Lọc cộng tác : Phương pháp phổ biến này đưa ra các đề xuất dựa trên sở thích của những người dùng tương tự hoặc sự giống nhau giữa các mục. Nó giả định rằng những người dùng đã đồng ý trong quá khứ sẽ đồng ý trong tương lai.
• Lọc dựa trên nội dung : Phương pháp này đề xuất các mục tương tự như những mục mà người dùng đã thích trước đây, dựa trên các thuộc tính của mục (ví dụ: thể loại, từ khóa, tính năng) và hồ sơ của người dùng.
• Phương pháp kết hợp : Các hệ thống này kết hợp các phương pháp cộng tác và dựa trên nội dung (và có khả năng là nhiều phương pháp khác) để phát huy thế mạnh tương ứng và giảm thiểu điểm yếu, thường đưa ra các khuyến nghị mạnh mẽ hơn.
• Mô hình học sâu : Ngày càng nhiều kỹ thuật tiên tiến liên quan đến mạng nơ-ron , chẳng hạn như Mạng nơ-ron hồi quy (RNN) và Transformer , được sử dụng để đưa ra các khuyến nghị nhận biết chuỗi hoặc để mô hình hóa các tương tác phức tạp giữa người dùng và mục, thường đòi hỏi sức mạnh tính toán đáng kể như GPU .

Ví dụ thực tế

1. Bán lẻ trực tuyến: Một trang web thương mại điện tử như Amazon hiển thị các mục "Khách hàng đã mua mặt hàng này cũng đã mua" hoặc "Được đề xuất cho bạn". Những mục này được tạo ra bằng cách phân tích lịch sử mua hàng, hành vi duyệt web, các mặt hàng trong giỏ hàng và so sánh dữ liệu này với hàng triệu người dùng khác thông qua bộ lọc cộng tác và các kỹ thuật ML khác. Điều này thúc đẩy việc khám phá sản phẩm và bán hàng, tạo thành một phần cốt lõi của AI trong các chiến lược bán lẻ .
2. Phát trực tuyến video: Các nền tảng như YouTube đề xuất video dựa trên lịch sử xem, video đã thích, đăng ký và truy vấn tìm kiếm của người dùng. Họ sử dụng các hệ thống lai tinh vi, bao gồm các mô hình học sâu , để phân tích các mẫu xem và siêu dữ liệu nội dung, nhằm mục đích tối đa hóa thời gian xem và sự hài lòng của người dùng.

Thách thức

Phát triển các hệ thống đề xuất hiệu quả liên quan đến việc vượt qua các thách thức như " vấn đề khởi động nguội " (khó khăn khi đề xuất cho người dùng mới hoặc các mục mới có ít dữ liệu), sự thưa thớt dữ liệu (người dùng thường chỉ tương tác với một phần nhỏ các mục có sẵn), khả năng mở rộng cho các tập dữ liệu lớn và đảm bảo tính công bằng cũng như tránh thiên vị thuật toán . Nghiên cứu đang diễn ra tập trung vào việc cải thiện độ chính xác, tính đa dạng, sự tình cờ và khả năng giải thích trong các đề xuất. Các nền tảng như Ultralytics HUB tạo điều kiện thuận lợi cho việc phát triển và triển khai nhiều mô hình ML khác nhau, góp phần vào hệ sinh thái AI rộng lớn hơn nơi các hệ thống đề xuất hoạt động.