Доступний позитивний користувачевий продукт (дані про кліки). Як генерувати негативні дані (без кліку)?

Дуже поширене в рекомендації про те, що у нас є дані про користувацькі товари, які мають мітку як, наприклад, "клацання". Для того, щоб вивчити модель, мені потрібні дані клацання та без натискання.

Найпростіший підхід для створення - це взяти пари продуктів-користувачів, які не знайдені в даних про кліки. Однак це може ввести в оману. Приклад:

user1, product1 (click) user2, product2 (click) user2, product3 (click) user3, product2 (click)

Я можу взяти user1 з усіма продуктами, крім product1 і позначити їх як "no_click" тощо. Але це може бути неправдою. Можливо, користувач1 натиснув bi product2, якби йому показали product2. Але тільки тому, що йому показали інші набори продуктів - у нього не було можливості вирішити натиснути / не натиснути продукт2.

Тож як вирішити проблему з одинарними даними?

machine-learning data-mining

— p.paliwal
джерело

Я думаю, ти відповів на власне запитання. Вам слід записати концепцію враження або показати. Якщо ви показали товар і його не було клацання, то це те, що ви шукаєте.

Але насправді цього немає в записаних даних. Ось що я згадав. Дані містять лише те, що пара користувачів-продуктів має ярлик кліку. Що було показано і що було натиснуто, не записується.

— p.paliwal

Крім того, навіть якщо скажімо - користувачеві1 було показано prod1, prod2, prod3 (і він натиснув prod1) - тоді user1 з prod2 та prod3 матимуть ярлик без кліку. А як щодо решти продуктів (prod4, prod5, ...). Просто тому, що вони не були показані, користувач не мав можливості вирішувати клацання / не натискання. Це не говорить про те, чи буде зацікавлений користувач у не показуваних продуктах - тому маркування всіх інших комбінацій як не натискання може бути неправдивим у реальному. Це те, що я також пояснив у питанні.

— p.paliwal

Отже, є дві проблеми.

Запис показів (шоу)
Як боротися з не-враженнями

Для (1) ви повинні записувати цю інформацію. Якщо вона наразі не записується, слід почати записувати цю інформацію. Враховуючи, що у вас немає цієї інформації, ви хочете надати рекомендації. На щастя, за допомогою даних просто клацання ви все ще можете створити матрицю утиліти, див. 9.1.1.

http://i.stanford.edu/~ullman/mmds/ch9.pdf

Потім ви можете використовувати спільну фільтрацію на основі користувачів або предметів, як описано в статті. Це, в основному, вправа заповнення матриці утиліти та намагання знайти «бали» для неклікованих елементів. Ваша рекомендація - це пункт без натискання з найвищим балом.

Для (2) ви все одно будете робити рекомендації щодо неклікованих елементів. Отже, одне це не є проблемою. Однак ви захочете оптимізувати свої враження. Ви також не можете мати повні знання, де користувач може бачити всі можливі варіанти. Вам потрібно записати враження та зрозуміти низку речей.

показ швидкості товару
швидкість кліку елемента
як включити нові елементи
як оптимізувати, які предмети показати

Це величезна тема, і в основному це проблемна область інтернет-реклами. Однак система рекомендацій намагається знайти цікаві предмети в довгому хвості, що трохи відрізняється від оптимізації реклами. Це цикл зворотного зв'язку для оцінки вашої рекомендації. Тести A / B є загальними. Ви хочете перевірити частоту кліків та помилки рекомендацій між вашою поточною системою та новою системою.

Також дивіться тут.

http://cs.brynmawr.edu/Courses/cs380/fall2006/Herlocker2004.pdf

http://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf