Я. Гудфеллоу, И. Бенджио, А. Курвилль

402 

 
Приложения
12.5. Другие приложения
В этом разделе мы рассмотрим еще несколько приложений глубокого обучения, по-
мимо описанных выше стандартных задач распознавания объектов, распознавания 
речи и обработки естественных языков. В третьей части книги мы добавим к этому 
перечню задачи, пока еще не вышедшие из стадии исследования.
12.5.1. Рекомендательные системы
Одно из основных семейств приложений машинного обучения к информационным 
технологиям – возможность давать рекомендации потенциальным пользователям 
или заказчикам товаров и услуг. Можно выделить два типа приложений: онлайновая 
реклама и рекомендация продуктов (зачастую рекомендации преследуют ту же цель: 
продать продукт). В обоих случаях требуется предсказать ассоциацию между поль-
зователем и продуктом – для того чтобы предсказать либо вероятность некоторого 
действия (покупки продукта или какого-то эквивалента этому действию), либо ожи-
даемую выгоду (которая может зависеть от ценности продукта) от показа рекламного 
объявления или рекомендации продукта пользователю. В настоящее время Интернет 
финансируется в значительной мере за счет различных видов онлайновой рекламы. 
Многие отрасли экономики зависят от покупок через Интернет. Такие компании, как 
Amazon и eBay, применяют машинное обучение, в т. ч. глубокое, для рекомендова-
ния своих товаров и услуг. Иногда речь вообще не идет о продаже чего-либо. В ка-
честве примеров можно назвать отбор сообщений, отображаемых в новостной ленте 
со циальной сети, рекомендование фильмов, анекдотов, советов специалистов, подбор 
партнеров для видеоигр или паросочетания в сервисах знакомств.
Часто проблема ассоциации рассматривается как задача обучения с учителем: зная 
какую-то информацию о продукте и пользователе, предсказать тот или иной вариант 
выражения заинтересованности (переход пользователем по ссылке, ввод рейтинга, 
нажатие на кнопку «Нравится», покупка продукта, трата какой-то суммы денег на 
продукт, переход на страницу с описанием продукта и т. д.). Часто все сводится либо 
к задаче регрессии (предсказать ожидаемое значение при некоторых условиях), либо 
к задаче вероятностной классификации (предсказать условную вероятность дискрет-
ного события).
Ранние работы по рекомендательным системам опирались на минимальную вход-
ную информацию для предсказаний: идентификатор пользователя и идентификатор 
продукта. В этом контексте для обобщения можно полагаться только на сходство 
между паттернами значений целевой переменной для разных пользователей или раз-
ных продуктов. Предположим, что пользователям 1 и 2 нравятся продукты A, B и C. 
Отсюда можно сделать вывод, что у пользователей 1 и 2 схожие вкусы. Если пользо-
вателю 1 нравится продукт D, то велики шансы, что он понравится и пользователю 2. 
Алгоритмы, основанные на этой идее, называются