Głębokie sieci neuronowe, jako systemy rekomendacyjne: architektura, zastosowania, możliwości. Studium przypadku.
Image credit: Tatiana Vinogradova from icons8
Streszczenie
Publikacja prezentuje podsumowanie najważniejszych obecnie typów architektury głębokiego uczenia, wykorzystywanych w charakterze systemów rekomendacyjnych. Wśród wymienionych algorytmów znajdują się m.in. autoenkodery, autoenkodery hybrydowe, sieci typu Wide & Deep (Google).
Rozwój rynku internetowych usług cyfrowych pod koniec XX wieku doprowadził do gwałtownego wzrostu znaczenia spersonalizowanych rekomendacji konsumenckich. Liczba produktów oraz baza klientów na platformach takich jaki Allegro czy Amazon, wykracza wielokrotnie poza skalę stosowaną w klasycznym marketingu [Jones, 2013]. Z tego względu, coraz większego znaczenia zaczęły nabierać zautomatyzowane systemy rekomendacyjne, analizujące zachowania i preferencje klientów. Do najnowocześniejszych rozwiązań stosowanych w tym zakresie można zaliczyć głębokie sieci neuronowe typu autoencoder [Sedhain i in., 2015] i im pokrewne. Stanowią one kolejny krok w ewolucji tzw. filtracji kolaboratywnej (ang. collaborative filtering) po raz pierwszy zastosowanej na platformie Netflix [Zhang i in., 2016]. Uzyskiwane przez nie wyniki są statystycznie istotnie lepsze od metod klasycznych.
Publikacja preznetuje przykłady architektury, implementacji i możliwości systemów wykorzystujących głębokie sieci neuronowe, w konkretnych przypadkach biznesowych – na bazie danych sprzedaży platformy Amazon z 2018r.
Literatura:
Biancalana, C., Gasparetti, F., Micarelli, A., Miola, A., & Sansonetti, G. (2011). Context-aware movie recommendation based on signal processing and machine learning. In Proceedings of the 2nd Challenge on Context-Aware Movie Recommendation (pp. 5–10).
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Company.
Canny, J. (2002). Collaborative filtering with privacy via factor analysis. Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 238–245.
Cheng, H.-T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., Anderson, G., Corrado, G., Chai, W., Ispir, M., & others. (2016). Wide & deep learning for recommender systems. Proceedings of the 1st Workshop on Deep Learning for Recommender Systems, 7–10.
Goldberg, K., Roeder, T., Gupta, D., & Perkins, C. (2001). Eigentaste: A constant time collaborative filtering algorithm. Information Retrieval, 4(2), 133–151.
Guo, H., Tang, R., Ye, Y., Li, Z., & He, X. (2017). DeepFM: a factorization-machine based neural network for CTR prediction. ArXiv Preprint ArXiv:1703.04247.
Hornik, K., Stinchcombe, M., White, H., & others. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366.
Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), 30–37.
Kuchaiev, O., & Ginsburg, B. (2017). Training deep autoencoders for collaborative filtering. ArXiv Preprint ArXiv:1708.01715.
Lian, J., Zhou, X., Zhang, F., Chen, Z., Xie, X., & Sun, G. (2018). xdeepfm: Combining explicit and implicit feature interactions for recommender systems. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 1754–1763.
Liang, D., Krishnan, R. G., Hoffman, M. D., & Jebara, T. (2018). Variational autoencoders for collaborative filtering. Proceedings of the 2018 World Wide Web Conference, 689–698.
Salakhutdinov, R., Mnih, A., & Hinton, G. (2007). Restricted Boltzmann machines for collaborative filtering. Proceedings of the 24th International Conference on Machine Learning, 791–798.
Schafer, J., Frankowski, D., Herlocker, J., & Sen, S. (2007). Collaborative Filtering Recommender Systems. In The Adaptive Web (Vol. 4321, pp. 291–324)
Sedhain, S., Menon, A. K., Sanner, S., & Xie, L. (2015). Autorec: Autoencoders meet collaborative filtering. Proceedings of the 24th International Conference on World Wide Web, 111–112.
Wójcik, F., & Górnik, M. (2020). Improvement of e-commerce recommendation systems with deep hybrid collaborative filtering with content: A case study. Econometrics, 24(3), 37–50.
Wu, Y., DuBois, C., Zheng, A. X., & Ester, M. (2016). Collaborative denoising auto-encoders for top-n recommender systems. Proceedings of the Ninth ACM International Conference on Web Search and Data Mining, 153–162.
Zhang, N., Ding, S., Zhang, J., & Xue, Y. (2018). An overview on Restricted Boltzmann Machines. Neurocomputing, 275, 1186–1199