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
Do'stlaringiz bilan baham: |