💪 👆🏾 ❇️ ओक्को में सिफारिशें: एक जोड़ी मैट्रिसेस को गुणा करके सैकड़ों करोड़ कैसे कमाएं 👉🏻 ⛏️ ↗️

रेकाओ - ओको अनलिमिटेड सिनेमा में व्यक्तिगत अनुशंसाएँ

क्या आप एक ऐसी स्थिति से परिचित हैं जहाँ आप एक बड़ी राशि खर्च करते हैं, जो आपने इसे देखने के समय की तुलना में एक फिल्म का चयन किया है? ऑनलाइन सिनेमाघरों के उपयोगकर्ताओं के लिए, यह एक आम समस्या है, और सिनेमाघरों के लिए खुद - लाभ खो दिया है।

सौभाग्य से, हमारे पास रेक्को है - व्यक्तिगत सिफारिशों की एक प्रणाली जो दस हजार से अधिक सामग्री की फिल्मों और श्रृंखलाओं को चुनने के लिए ओको उपयोगकर्ताओं को एक साल के लिए सफलतापूर्वक मदद कर रही है। लेख में मैं आपको बताऊंगा कि यह एल्गोरिथम और तकनीकी दृष्टिकोण से कैसे व्यवस्थित किया जाता है, हम इसके विकास के दृष्टिकोण और हम परिणामों का मूल्यांकन कैसे करते हैं। खैर, मैं आपको वार्षिक ए / बी परीक्षा के परिणामों के बारे में भी बताऊंगा।

पहला, थोड़ा इतिहास। ओको ने 2011 में इटा के हिस्से के रूप में अपना अस्तित्व शुरू किया, योटा प्ले नाम से शुरू ।

पुराना यॉट प्ले इंटरफ़ेस

पहले से ही 2011 में, उपयोगकर्ताओं ने उत्साहपूर्वक इंटरनेट पर कानूनी रूप से एक फिल्म देखने के विचार को स्वीकार किया

एक ऑफ़लाइन मूवी थियेटर में सामग्री की लागत पर उपयोगकर्ता की समीक्षा

Yota Play अपने समय के लिए एक अनूठी सेवा थी: यह सामाजिक नेटवर्क के साथ घनिष्ठ रूप से जुड़ा हुआ था और अनुशंसाओं सहित सेवा के कई हिस्सों में दोस्तों द्वारा देखी और रेटेड फिल्मों के बारे में जानकारी का उपयोग करता था।

Yota Play पर सामाजिक अनुशंसाएँ

2012 में, एल्गोरिदम के साथ सामाजिक सिफारिशों को पूरक करने का निर्णय लिया गया था। इस तरह "ओरेकल" दिखाई दिया - ऑनलाइन सिनेमा ओकोको की पहली सिफारिश प्रणाली। उनके डिज़ाइन दस्तावेज़ के कुछ अंश यहां दिए गए हैं:

व्यक्तिगत सिफारिशों की लागू प्रणाली में एक समान दृष्टिकोण का उपयोग किया गया था। स्तरों के पैमाने का उपयोग "कुछ नहीं" (शून्यता, अनुपस्थिति) से "सब कुछ" (पूरी तरह से, अधिकतम) तक किया जाता है। सीमा में [१२ [.. + १२]] ० - मध्य या "आदर्श" है। इस पैमाने पर, मुख्य चरित्र और उत्पाद के व्यक्तिपरक मूल्य के लिए सहानुभूति की डिग्री और "लाल" रंग की डिग्री का भी मूल्यांकन किया जाता है। उदाहरण के लिए, ब्रह्मांड का आकार +127 (आयामों के पैमाने पर) का अनुमान है, और अंधेरे का अनुमान 127 (प्रकाश की तीव्रता के पैमाने पर) है।

सिफारिशें करने में, न केवल पृष्ठभूमि, बल्कि विशेष उपयोगकर्ता की प्रकृति भी महत्वपूर्ण है। व्यक्तिगत प्रोफ़ाइल में वर्ण प्रकार के 4 पैमाने भी होते हैं (के। लियोनहार्ड के अनुसार - प्रदर्शनकारी, पांडित्यपूर्ण, अटक, उत्कृष्ट)।

मस्तिष्क की शारीरिक सीमा किसी व्यक्ति के चरित्र के गुणों पर और उसके अनुकूल और मिलनसार होने पर निर्भर नहीं करती है। प्रोफेसर के अनुसार, प्रतिबंध नियोकोर्टेक्स में मौजूद हैं, जो विभाग सचेत विचारों और भाषण के लिए जिम्मेदार है। यह प्रतिबंध कार्यान्वित प्रणाली में भी ध्यान में रखा जाता है, खासकर जब एक पांडित्यपूर्ण प्रकार के चरित्र के लिए सिफारिशें विकसित करते हैं और सामाजिक कनेक्शन के बीच ऐसे उपयोगकर्ताओं का एक नमूना बनाते हैं।

फिल्म "लासिज में डर और लोथिंग" से

जैसा कि आप पहले से ही समझते थे, समय जंगली थे, मस्तिष्क की शारीरिक सीमाएं कुछ भी सीमित नहीं थीं, और ओवरक्लॉकेड नियोकोर्टेक्स स्वयं प्रकाश की गति से व्यक्तिगत सिफारिशें उत्पन्न कर सकता था। इसलिए, मॉडल को तुरंत उत्पादन में रोल करने का निर्णय लिया गया।

जहां तक प्राचीन सभ्यता की जीवित कलाकृतियों से कोई भी न्याय कर सकता है, "ओरेकल" सहयोगी फ़िल्टरिंग एल्गोरिदम का एक जंगली मिश्रण था, जो उदारतापूर्वक व्यावसायिक नियमों के साथ अनुभवी था।

वास्तुकला "ओरेकल"

2013 के मध्य तक, हर किसी को थोड़ा जाने दिया जाने लगा और आखिरकार सिफारिश मशीन की गुणवत्ता की जांच करने का निर्णय लिया गया। ऐसा करने के लिए, एक विशेष रूप से प्रशिक्षित संपादक ने आवेदन के मुख्य अनुभागों को भरा और ए / बी परीक्षण शुरू किया: आधे उपयोगकर्ताओं ने एल्गोरिदम के आउटपुट को देखा, आधा - संपादक की पसंद।

अब यह है कि हम आर्टिफिशियल इंटेलिजेंस की अगली जीत के बारे में लेख पढ़ रहे हैं और उस दिन की डरावनी कल्पना करते हैं जब वह हमारा काम खो देगा। फिर, 2013 में, स्थिति अलग थी: एक व्यक्ति ने कार को वीरतापूर्वक हराया, सामग्री विभाग में और भी अधिक नौकरियां पैदा कीं। ओरेकल को बंद कर दिया गया और फिर कभी चालू नहीं किया गया। जल्द ही, सभी सामाजिक चिप्स गायब हो गए, और योटा प्ले ओक्को में बदल गया।

नाम बदलने के तुरंत बाद का नाम

2013 से 2016 तक की अवधि कृत्रिम बुद्धिमत्ता के "शीतकालीन" और सामग्री विभाग के अधिनायकवादी नियम द्वारा चिह्नित की गई थी: सेवा में कोई व्यक्तिगत सिफारिशें नहीं थीं।

2017 के मध्य तक, यह स्पष्ट हो गया कि आप अब उस तरह नहीं रह सकते। नेटफ्लिक्स की सफलताएं सभी को अच्छी तरह से पता थीं और पूरा उद्योग निजीकरण की ओर तीव्र गति से बढ़ रहा था। उपयोगकर्ताओं को "गूंगा" स्थिर सेवाओं में कोई दिलचस्पी नहीं थी, वे पहले से ही "स्मार्ट" इंटरफेस के लिए उपयोग करना शुरू कर रहे थे, उन्हें पूरी तरह से समझ रहे थे और उनकी सभी इच्छाओं की भविष्यवाणी कर रहे थे।

पहले पुनरावृत्ति के रूप में, हमने सिफारिशों के दो बड़े रूसी आपूर्तिकर्ताओं के साथ एकीकृत करने का निर्णय लिया। दिन में एक बार, दोनों सेवाओं ने ओको से आवश्यक डेटा लिया, दूर के सर्वर पर अपने ब्लैक बॉक्स के साथ जंग लगा और परिणाम अपलोड किए।

छह महीने के ए / बी परीक्षण के परिणामों के अनुसार, नियंत्रण और परीक्षण समूहों में कोई सांख्यिकीय महत्वपूर्ण अंतर नहीं पाया गया।

बस इस ए / बी परीक्षण के अंत में, मैं ओखो के पास एनालिटिक्स, मिखाइल अलेक्सेव ( पुरुषसेव ) के प्रमुख के साथ सेवा को वास्तव में व्यक्तिगत बनाने के लिए शुरू हुआ। एक साल से भी कम समय बाद, Danil Kazakov ( xaph ) ने हमारे साथ मिलकर, वर्तमान टीम का गठन किया।

सामान्य विचार

जब अंतर्राष्ट्रीय समुदाय द्वारा लंबे समय से अध्ययन की जाने वाली व्यावसायिक समस्या आपके सामने उत्पन्न होती है और जिसे, इसके अलावा, जल्दी से हल करने की आवश्यकता होती है, तो यह पहला लोकप्रिय गहरे तंत्रिका नेटवर्क समाधान लेने के लिए लुभावना है, जो आपके पास है, फावड़ा के साथ इसमें डेटा को हिलाएं, इसे राम करें और इसे उत्पाद में फेंक दें।

मशीन सीखने के बारे में xkcd.com से कॉमिक बुक

मुख्य बात इस प्रलोभन के आगे झुकना नहीं है। वैज्ञानिक समुदाय का कार्य - सड़े हुए और सिंथेटिक डेटासेट पर अधिकतम गति प्राप्त करना - अक्सर व्यवसाय के कार्य के साथ मेल नहीं खाता है - कम संसाधन खर्च करते हुए, अधिक पैसा कमाने के लिए।

नहीं, इसका मतलब यह नहीं है कि आपको आवर्तक नेटवर्क की आवश्यकता नहीं है और आप निकटतम पड़ोसी विधि का उपयोग करके अरबों को रेक कर सकते हैं। यह सिर्फ यह बता सकता है कि आपके डेटा पर शास्त्रीय मैट्रिक्स अपघटन आपको प्रति वर्ष अतिरिक्त सशर्त 100 मिलियन और आवर्तक नेटवर्क - 105 मिलियन प्रति वर्ष कमाने की अनुमति देगा। इसी समय, इन समान नेटवर्क के लिए वीडियो कार्ड के साथ सर्वर के एक रैक को बनाए रखने के लिए प्रति वर्ष 10 मिलियन खर्च होंगे और इसे विकसित करने और लागू करने के लिए कई अतिरिक्त महीनों की आवश्यकता होगी, और सेवा के एक अन्य अनुभाग में तैयार मैट्रिक्स अपघटन के सरल एकीकरण और मेलिंग सूची में सुधार के एक महीने की आवश्यकता होगी और एक और 100 सशर्त लाखों दे देंगे प्रति वर्ष।

इसलिए, मूल के साथ शुरू करना महत्वपूर्ण है - मूल तरीकों को साबित करना - और कभी भी अधिक आधुनिक दृष्टिकोणों की ओर बढ़ना, यह मापना और भविष्यवाणी करना सुनिश्चित करें कि प्रत्येक नई पद्धति का व्यवसाय पर क्या प्रभाव पड़ेगा, इसकी लागत कितनी होगी और यह आपको कितना अर्जित करने की अनुमति देगा।

ओको अच्छी तरह से माप सकते हैं। शाब्दिक रूप से हर नई सुविधा, हमारे द्वारा किया गया हर नवाचार ए / बी टेस्ट से गुजरता है, विभिन्न उपयोगकर्ता समूहों के संदर्भ में जांच की जाती है, प्रभाव सांख्यिकीय महत्व के लिए जांचे जाते हैं और उसके बाद ही निर्णय लिया जाता है कि नई कार्यक्षमता को स्वीकार या अस्वीकार करना है या नहीं।

वर्तमान रेको डैशबोर्ड, उदाहरण के लिए, 50 से अधिक मीट्रिक के लिए नियंत्रण और परीक्षण समूहों की तुलना करता है, जिसमें राजस्व, सेवा में बिताया गया समय, फिल्म चुनने का समय, सदस्यता द्वारा विचारों की संख्या, खरीद और ऑटो-नवीकरण के लिए रूपांतरण, और कई अन्य शामिल हैं। और हाँ, हम अभी भी उन उपयोगकर्ताओं का एक छोटा समूह रखते हैं जिन्हें व्यक्तिगत अनुशंसाएँ (खेद) कभी नहीं मिली है।

सिफारिश प्रणाली के बारे में

आरंभ करने के लिए, अनुशंसाकर्ता प्रणालियों के लिए एक छोटा सा परिचय।

अनुशंसा प्रणाली का उद्देश्य प्रत्येक उपयोगकर्ता के लिए है $inline$ तत्वों के साथ बातचीत की उनकी कहानी पर $i \ _ I $ मे$ सभी तत्वों के सेट पर ऑर्डर रिलेशन बनाने के लिए। इसका मतलब यह है: कोई फर्क नहीं पड़ता कि हम दो मनमाना तत्व लेते हैं, हम हमेशा कह सकते हैं कि कौन सा उपयोगकर्ता के लिए अधिक बेहतर है और कौन सा कम है।

कई फिल्मों पर आदेश के संबंध का चित्रण

यह बल्कि सामान्य कार्य एक सरल एक तक कम किया जा सकता है: एक निर्धारित संबंध में मानचित्र तत्वों को एक सेट पर निर्धारित किया जाता है। उदाहरण के लिए, वास्तविक संख्याओं के एक सेट पर। इस मामले में, प्रत्येक उपयोगकर्ता और प्रत्येक तत्व के लिए एक निश्चित मूल्य की भविष्यवाणी करने में सक्षम होना आवश्यक है - यह उपयोगकर्ता इस तत्व को कितना पसंद करता है।

कई फिल्मों की मैपिंग का चित्रण कई वास्तविक संख्या तक

हमारे तत्वों पर एक ऑर्डर संबंध होने के बाद, हम कई व्यावसायिक समस्याओं को हल करने में सक्षम हैं, उदाहरण के लिए, उपयोगकर्ता के लिए सबसे अधिक प्रासंगिक एन सभी तत्वों में से चुनें या उसकी पसंद के अनुसार खोज परिणामों को सॉर्ट करें।

आदर्श रूप से, हमें संदर्भ-संवेदनशील आदेश संबंधों के पूरे परिवार की आवश्यकता है। यदि उपयोगकर्ता ने "फाइटर्स" संग्रह में प्रवेश किया है, तो वह फिल्म "ऑस्कर" के लिए फिल्म को "विध्वंसक" पसंद करेगा, लेकिन संग्रह में "सिल्वेस्टर स्टेलोन के साथ फिल्में" वरीयता अच्छी तरह से विपरीत हो सकती है। इसी तरह के उदाहरण सप्ताह के दिन, दिन के समय या उस उपकरण के लिए दिए जा सकते हैं जिसमें से उपयोगकर्ता ने सेवा में प्रवेश किया था।

संदर्भ को ध्यान में रखते हुए कई फिल्मों को कई वास्तविक संख्याओं के मानचित्रण का चित्रण

परंपरागत रूप से, व्यक्तिगत अनुशंसाओं के निर्माण के सभी तरीकों को तीन बड़े समूहों में विभाजित किया जाता है: सहयोगी फ़िल्टरिंग (सीएफ), सामग्री मॉडल (सामग्री मॉडल, सीएम) और संकर मॉडल जो पहले दो दृष्टिकोणों को जोड़ते हैं।

सहयोगात्मक फ़िल्टरिंग विधियां सभी उपयोगकर्ताओं और सभी तत्वों के इंटरैक्शन के बारे में जानकारी का उपयोग करती हैं। इस तरह की जानकारी, एक नियम के रूप में, एक विरल मैट्रिक्स के रूप में प्रस्तुत की जाती है, जहां पंक्तियां उपयोगकर्ताओं, तत्वों के कॉलम, और उपयोगकर्ता और तत्व में उन दोनों के बीच बातचीत को चिह्नित करने वाले मान, या एक अंतराल होती है अगर ऐसी कोई बातचीत नहीं थी। यहां एक ऑर्डर रिलेशन बनाने का कार्य गायब मैट्रिक्स तत्वों को भरने के कार्य को कम करता है।

सहयोगी फ़िल्टरिंग के लिए फोर्क मैट्रिक्स का चित्रण

इन विधियों, एक नियम के रूप में, समझना और लागू करना आसान है, त्वरित है, लेकिन सबसे अच्छा परिणाम नहीं दिखाता है।

सामग्री मॉडल - वर्गीकरण या प्रतिगमन समस्याओं को हल करने के लिए मनमाने ढंग से मशीन सीखने के तरीके, मापदंडों के एक निश्चित सेट द्वारा पैरामीटर $$ थीटा$ । प्रवेश द्वार पर, वे उपयोगकर्ता की विशेषताओं और तत्व की विशेषताओं को स्वीकार करते हैं, और आउटपुट इस उपयोगकर्ता को दिए गए तत्व की प्रासंगिकता की डिग्री है। ऐसे मॉडल सभी उपयोगकर्ताओं और सभी तत्वों की बातचीत पर नहीं सिखाए जाते हैं, जैसे कि सहयोगी फ़िल्टरिंग विधियों, लेकिन केवल व्यक्तिगत मिसाल पर।

सामग्री मॉडल चित्रण

ऐसे मॉडल, एक नियम के रूप में, सहयोगी फ़िल्टरिंग विधियों की तुलना में बहुत सटीक हैं, लेकिन वे गति में बहुत धीमी हैं। कल्पना कीजिए कि अगर हमारे पास कुछ सामान्य रूप का एक फ़ंक्शन है जो उपयोगकर्ताओं और तत्वों के संकेत को इनपुट के रूप में स्वीकार करता है, तो इसे प्रत्येक जोड़ी के लिए बुलाया जाना चाहिए $(u, i), u \ u में, i \ _ in I$ । एक हजार उपयोगकर्ताओं और दस हजार तत्वों के मामले में, यह एक मिलियन कॉल है।

हाइब्रिड मॉडल उचित समय में गुणवत्ता की सिफारिशों की पेशकश करते हुए दोनों दृष्टिकोणों की ताकत को जोड़ते हैं।

सबसे लोकप्रिय हाइब्रिड दृष्टिकोण आज एक दो स्तरीय वास्तुकला है, जहां एक सहयोगी फ़िल्टरिंग मॉडल सभी संभावित तत्वों के उम्मीदवारों की एक छोटी संख्या (100 - 1000) का चयन करता है, जो तब बहुत अधिक शक्तिशाली सामग्री मॉडल द्वारा रैंक किए जाते हैं। कभी-कभी उम्मीदवारों के चयन के कई ऐसे चरण हो सकते हैं और प्रत्येक नए स्तर पर एक तेजी से जटिल मॉडल का उपयोग किया जाता है।

द्वि-स्तरीय वास्तुकला चित्र

इस तरह की वास्तुकला के कई फायदे हैं:

सहयोगात्मक और सामग्री भागों आपस में जुड़े नहीं हैं और अलग-अलग आवृत्तियों के साथ अलग-अलग प्रशिक्षित किए जा सकते हैं;
गुणवत्ता हमेशा सहयोगी मॉडल की तुलना में बेहतर होती है;
सामग्री मॉडल की गति अलग से बहुत अधिक है;
"नि: शुल्क" हम एक सहयोगी मॉडल से वैक्टर प्राप्त करते हैं, जिसका उपयोग संबंधित समस्याओं को हल करने के लिए किया जा सकता है।

यदि हम विशिष्ट प्रौद्योगिकियों के बारे में बात करते हैं, तो बहुत सारे संभावित संयोजन हैं।

सहयोगी भाग के रूप में, आप उपयोगकर्ता की सदस्यता, लोकप्रिय सामग्री, उपयोगकर्ता के मित्रों के बीच लोकप्रिय सामग्री ले सकते हैं, आप मैट्रिक्स या टेन्सर फैक्टराइजेशन, डीएसएमएस या किसी अन्य विधि को काफी तेज भविष्यवाणी के साथ लागू कर सकते हैं।

एक सामग्री मॉडल के रूप में, किसी भी दृष्टिकोण का उपयोग सामान्य रूप से, रैखिक प्रतिगमन से लेकर गहरी ग्रिड तक में किया जा सकता है।

ओक्को में, हम वर्तमान में WARP हानि और पेड़ों पर तेजी से बढ़ने वाले मैट्रिक्स फैक्टराइजेशन के संयोजन पर ध्यान केंद्रित कर रहे हैं, जिसके बारे में मैं अब विस्तार से चर्चा करूंगा।

स्टेज एक: उम्मीदवारों का चयन

मुझे लगता है कि मैं झूठ नहीं बोल रहा हूं अगर मैं कहता हूं कि मैट्रिक्स फैक्टराइजेशन एल्गोरिदम सहयोगी फ़िल्टरिंग के सबसे लोकप्रिय तरीके हैं। विधि का सार नाम से स्पष्ट है: हम निम्न श्रेणी के दो मैट्रिक्स के उत्पाद द्वारा सामग्री के साथ उपयोगकर्ता के पहले से ही उल्लेख किए गए मैट्रिक्स को प्रस्तुत करने की कोशिश कर रहे हैं, जिनमें से एक "उपयोगकर्ता मैट्रिक्स" और दूसरा "तत्वों का मैट्रिक्स" होगा। इस अपघटन के साथ, हम सभी लापता मूल्यों के साथ मूल मैट्रिक्स को पुनर्स्थापित कर सकते हैं।

मैट्रिक्स अपघटन चित्रण

इस मामले में, निश्चित रूप से, हम उपलब्ध और बहाल किए गए मैट्रिस की समानता के लिए एक मानदंड चुनने के लिए स्वतंत्र हैं। सबसे सरल मानदंड मानक विचलन है।

चलो $p_u$ - उपयोगकर्ता के अनुरूप उपयोगकर्ता मैट्रिक्स पंक्ति $inline$ , और $q_i$ - तत्व के अनुरूप तत्व मैट्रिक्स का स्तंभ $i \ _ I $ मे$ । फिर, जब मैट्रिसेस को गुणा करते हैं, तो उनका उत्पाद $\ langle p_u, q_i \ rangle$ दिए गए उपयोगकर्ता और तत्व के बीच इच्छित बातचीत के परिमाण का अर्थ होगा। अब इस मात्रा के बीच मानक विचलन की गणना और बातचीत का एक प्राथमिक ज्ञात मूल्य $r_ {ui}$ बातचीत करने वाले उपयोगकर्ताओं और तत्वों के सभी जोड़े के लिए $T $ में $ (u, i) \ _$ , हम एक हानि फ़ंक्शन प्राप्त करते हैं जिसे कम से कम किया जा सकता है।

m i n f r a c 1 l v e r t T r v e r t s u m_{(u, i)_{i} n T} (r_{u i} - l a n g l e p_{u}, q_{i} r a n g l e)^{2}

$\ min \ frac {1} {\ lvert T \ rvert} \ sum _ {(u, i) \ _ in T} (r_ {ui} - \ langle p_u, q_i \ rangle) ^ 2$

एक नियम के रूप में, नियमितीकरण अभी भी इसमें जोड़ा जाता है।

m i n f r a c 1 l v e r t T r v e r t s u m_{(u, i)_{i} n T} (r_{u i} - l a n g l e p_{u}, q_{i} r a n g l e)^{2} + l a m b d a (s u m_{u}) l V e r t p_{u} r V e r t^{2} + s u m_{i} l V e r t q_{i} r V e r t^{2})

$\ min \ frac {1} {\ lvert T \ rvert} \ sum _ {(u, i) \ _ in T} (r_ {ui} - \ langle p_u, q_i \ rangle) ^ 2 + lambda (\ sum_u) lVert p_u \ rVert ^ 2 + \ sum_i \ lVert q_i \ rVert ^ 2)$

ऐसी समस्या उत्तल और एनपी-कॉम्प्लेक्स नहीं है। हालांकि, यह नोटिस करना आसान है कि किसी एक मैट्रिक्स को ठीक करते समय, कार्य दूसरे मैट्रिक्स के सापेक्ष रैखिक प्रतिगमन में बदल जाता है, जिसका अर्थ है कि हम एक समाधान के लिए खोज कर सकते हैं, वैकल्पिक रूप से या तो उपयोगकर्ता मैट्रिक्स या तत्वों के मैट्रिक्स को ठंड कर सकते हैं। इस दृष्टिकोण को अल्टरनेटिंग लिस्ट स्क्वायर (ALS) कहा जाता है।

एएलएस का मुख्य प्लस गति और आसानी से समानांतर करने की क्षमता है। इसके लिए, उसे Yandex.Zen और Vkontakte में बहुत प्यार है, जहां दोनों उपयोगकर्ता और तत्व लाखों की संख्या में हैं।

हालांकि, अगर हम एक मशीन पर फिट होने वाले डेटा की मात्रा के बारे में बात कर रहे हैं, तो ALS आलोचना करने के लिए खड़ा नहीं है। उनकी मुख्य समस्या यह है कि वे गलत नुकसान फ़ंक्शन का अनुकूलन करते हैं। सिफारिश प्रणाली के निर्माण के कार्य का सूत्रीकरण याद रखें। हम सेट पर ऑर्डर रिलेशन प्राप्त करना चाहते हैं, और इसके बजाय मानक विचलन का अनुकूलन करते हैं।

मैट्रिक्स का एक उदाहरण देना आसान है जिसके लिए मानक विचलन न्यूनतम होगा, लेकिन तत्वों का क्रम निराशाजनक रूप से नष्ट हो जाता है।

आइए देखें कि हम इसके बारे में क्या कर सकते हैं। उपयोगकर्ता के सिर में, जिन तत्वों के साथ उन्होंने बातचीत की, वे सभी कुछ क्रम में व्यवस्थित होते हैं। उदाहरण के लिए, वह यह सुनिश्चित करने के लिए जानता है कि इंटरस्टेलर ग्रेविटी से बेहतर है, ग्रेविटी और एलियन समान रूप से अच्छी फिल्में हैं, और वे सभी टर्मिनेटर से थोड़ा बदतर हैं। इसी समय, वह उन फिल्मों के लिए एक निश्चित दृष्टिकोण का भी अनुभव करता है जो उपयोगकर्ता ने अभी तक नहीं देखा है, और सभी के लिए समान है। वह मान सकता है कि ऐसी फिल्में उन फिल्मों की तुलना में ज्यादा खराब होती हैं, जिन्हें वह देखता था। या वह इस पर विचार कर सकता है, उदाहरण के लिए, प्रोमेथियस एक खराब फिल्म है, और कोई भी फिल्म जिसे उसने अभी तक नहीं देखा है, वह उसके लिए बेहतर होगी।

उपयोगकर्ता के सिर में कई फिल्मों पर आदेश के संबंध का चित्रण

कल्पना करें कि सेवा में उपयोगकर्ता के व्यवहार के कुछ संकेतों के अनुसार, हम इस आदेश को उस तत्व को प्रदर्शित करके पुनर्स्थापित कर सकते हैं जिसके साथ यह फ़ंक्शन का उपयोग करके पूर्णांक में है। $\ rho: U \ टाइम्स I \ to \ mathbb {Z}$ । ऐसी कई फिल्में जिनके साथ उपयोगकर्ता $यू$ बातचीत की, के रूप में चिह्नित करें $I_u$ । हम इस बात से सहमत हैं $\ rho (u, j) = 0$ अगर उपयोगकर्ता ने फिल्म के साथ बातचीत नहीं की है $ज$ वह है $j \ notin I_u$ । इस प्रकार, यदि उपयोगकर्ता फिल्म को खराब मानता है, तो $\ rho (u, i) <0$ , और अगर अच्छा है, तो $\ rho (u, i)> 0$ ।

उपयोगकर्ता-फिल्म इंटरैक्शन के पूर्णांक मान का वर्णन करने वाले फ़ंक्शन का चित्रण

अब हम रैंक दर्ज कर सकते हैं $रैंक: U \ टाइम्स I \ to \ mathbb {N}$ ।

रैंक (u, i) = \ sum_ {j \ in I: \ rho (u, j) <\ rho (u, i)} \ textrm {I} (\ langle p_u, q_i \ rangle # 1 + \ langle p_u, q_j \ rangle)

$रैंक (u, i) = \ sum_ {j \ in I: \ rho (u, j) <\ rho (u, i)} \ textrm {I} (\ langle p_u, q_i \ rangle # 1 + \ langle p_u, q_j \ rangle)$

$\ textrm {I} (x)$ यहाँ संकेतक फ़ंक्शन को दर्शाता है और यदि एकता के बराबर है $x$ सच और शून्य अन्यथा।

आइए एक मिनट के लिए रुकें और सोचें कि ऐसी रैंक का क्या मतलब है।

हम उपयोगकर्ता को ठीक करते हैं $यू$ , यह कुछ विशिष्ट उपयोगकर्ता है, जो एक - हम में कोई दिलचस्पी नहीं है। तदनुसार, इसका वेक्टर $p_u$ तय हो जाएगा।

उदाहरण के लिए, इंटरस्टेलर को अब कोई भी फिल्म देखें। सूत्र में, यह $मैं$ । इसके बाद, हमें एक फिल्म मिलती है जिसे उपयोगकर्ता इंटरस्टेलर से भी बदतर मानता है। हम "आकर्षण", "एलियन", "प्रोमेथियस", या किसी भी फिल्म से चुन सकते हैं जिसे उन्होंने अभी तक नहीं देखा है।

अव्यवस्था का चित्रण

"आकर्षण" ले लो। सूत्र में, यह $ज$ । , «» $q_i$ , , «» $q_j$ . . «», «» , .

, , «». $r(u, i)$ , .

L = \sum_{u \in U, i \in I_{u}} ϕ (r a n k (u, i))

$L = \sum_{u \in U, i \in I_u} \phi (rank(u, i))$

$\phi: \mathbb{N} \to \mathbb{R}$ — , . , . , , .

ϕ (x) = \sum_{i = 1}^{x} \frac{1}{i}

$\phi(x) = \sum_{i=1}^x \frac{1}{i}$

. ? , , , , .

: . $j$ , $p(u, j) < p(u, i)$ , $\langle p_u , q_i \rangle < 1 + \langle p_u , q_j \rangle$ । $N - 1$ $एन$ , $i$

r a n k (u, i) \approx ⌊ \frac{| I | - 1}{N} ⌋

$rank(u, i) \approx \lfloor \frac{\lvert I \rvert - 1}{N} \rfloor$

जहाँ $\lvert I \rvert$ — .

, , , .

WARP WSABIE: Scaling Up To Large Vocabulary Image Annotation . , , . 10%.

$\rho(u, i)$ । Okko :

;
;
( );
;
0 10.

, , . 399 , , . , . -, .

— . , explicit : , . , , implicit .

, $\rho(u, i)$ , . . , .

$\rho(u, i) = -c$ , $\rho(u, i) = c$ , .

, Cython , LightFM .

:

, top-N : . , Approximate nearest neighbor algorithm based on navigable small world graphs .

, , , , . , - , . : , .

इन समस्याओं को कंटेंट मॉडल से दूर रखा जाता है। वे शक्तिशाली, अभिव्यंजक हैं और आप उनमें कोई भी संकेत चिपका सकते हैं, लेकिन वे बेहद धीमी गति से हैं। समाधान सामग्री मॉडल को सभी तत्वों पर नहीं, बल्कि मैट्रिक्स अपघटन से प्राप्त उम्मीदवारों पर चलाना है। आपके द्वारा संसाधित किए जाने के लिए उतने ही उम्मीदवार हो सकते हैं, लेकिन आप उपयोगकर्ताओं को जो दिखाते हैं, उससे कम से कम दोगुना। हमारे मामले में, 100 अनुशंसित फिल्मों के लिए, 400 उम्मीदवारों का उपयोग करने का सबसे अच्छा समाधान था।

सामग्री मॉडल में हम जो विशेषताएँ प्रस्तुत करते हैं, उन्हें तीन समूहों में विभाजित किया जा सकता है: उपयोगकर्ता विशेषताएँ, तत्व विशेषताएँ और सहभागिता संकेत। कुल में, लगभग 50 संकेत प्राप्त होते हैं।

उपयोगकर्ताओं के संकेतों के रूप में, हम सेवा में उनके व्यवहार के समेकित आंकड़ों का उपयोग करते हैं, उदाहरण के लिए:

सदस्यता दृश्य प्रतिशत
उन उपकरणों का वितरण, जिनसे उपयोगकर्ता एप्लिकेशन में लॉग करता है,
सेवा में जीवनकाल,
और टी। डी।

फ़िल्मों के लिए, हम लगभग सभी उपलब्ध मेटा-सूचनाओं का उपयोग करते हैं: शैली, रिलीज़ का वर्ष, देश, अभिनेता, निर्देशक, आयु सीमा, इत्यादि। व्यवसायिक मेट्रिक्स भी अच्छी तरह से मदद करते हैं: कार्ड पर जाने का प्रतिशत, विचारों की संख्या, पसंदीदा में जोड़, तरीकों, उपकरणों, आदि को देखकर वितरण

बातचीत के संकेतों में सभी पिछले उपयोगकर्ता के लिए उम्मीदवारों और एकत्रित आंकड़ों के चयन के चरण से गति और एक ही अभिनेता, निर्देशक, स्क्रीनराइटर की भागीदारी के साथ फिल्म में प्रश्न शामिल हैं।

सबसे आम सवाल यह है कि जब यह दूसरे स्तर के मॉडल के साथ उम्मीदवारों की रैंकिंग की बात आती है तो इस मॉडल को कैसे प्रशिक्षित किया जाए। अकेले मैट्रिक्स फैक्टराइजेशन के मामले में, हमें दो सेटों की आवश्यकता थी, जो समय के अनुसार अलग हो गए - प्रशिक्षण और परीक्षण। दो-चरण प्रणाली के मामले में, हमें उनमें से तीन की आवश्यकता होगी - दो प्रशिक्षण और एक परीक्षण।

दो-स्तरीय मॉडल के लिए प्रशिक्षण और परीक्षण सेट में डेटा को विभाजित करने का चित्रण

पहले प्रशिक्षण सेट पर, हम पहले स्तर के मॉडल को प्रशिक्षित करेंगे और उम्मीदवारों का निर्माण करेंगे। उम्मीदवारों से उन तत्वों को बाहर करना महत्वपूर्ण है जिनके साथ उपयोगकर्ता ने इस सेट में बातचीत की थी। फिर हम देखेंगे कि दूसरे प्रशिक्षण सेट में उपयोगकर्ता ने किन उम्मीदवारों के साथ बातचीत की। हम उन्हें सकारात्मक कहते हैं, और शेष उम्मीदवार नकारात्मक। यह सामग्री मॉडल के लिए हमारा प्रशिक्षण सेट होगा।

दो-स्तरीय मॉडल के लिए प्रशिक्षण सेट के गठन का चित्रण

यह काम क्यों करता है? सबसे पहले, हम मॉडल को उस डेटा पर बिल्कुल प्रशिक्षित करते हैं जिस पर इसका उपयोग किया जाएगा - पहले स्तर के मॉडल का आउटपुट। दूसरे, सभी संभावित नकारात्मक उदाहरणों के बीच, हम सबसे अधिक जटिल लोगों को लेते हैं - वे जो पहले स्तर के मॉडल को उपयोगकर्ता के लिए प्रासंगिक कहते हैं, लेकिन वे नहीं हैं।

आगे क्या है? सबसे सरल और सबसे स्पष्ट समाधान बाइनरी वर्गीकरण समस्या को हल करना है और फिर सकारात्मक उदाहरण होने के लिए संभाव्यता के अवरोही क्रम में तत्वों को सॉर्ट करना है। लेकिन हम फिर से एक सिफारिश प्रणाली के निर्माण की समस्या के बयान को याद कर सकते हैं, यह समझें कि बाइनरी वर्गीकरण वह समस्या नहीं है जिसे हम हल कर रहे हैं, और फिर से रैंकिंग समस्या पर आगे बढ़ें।

XGBoost और LightGBM में, रैंकिंग कार्यों के लिए प्राथमिक नुकसान का कार्य लंबोदर है। यदि आप विवरण में नहीं जाते हैं, तो इसके पीछे अंतर्ज्ञान काफी सरल है। अगर $च (x_i)$ - उदाहरण के लिए मॉडल आउटपुट $x_i$ , तो संभावना है कि तत्व $मैं$ तत्व से उच्च रैंक होगा $ज$ बराबर होगा

P_{i j} = P (i g t j) = f r a c 1 1 + e x p (f (x_{j}) - f (x_{i})) $

$P_ {ij} = P (i \ gt j) = \ frac {1} {1 + \ exp (f (x_j) - f (x_i))} $$

फिर नुकसान फ़ंक्शन को निम्नानुसार लिखा जा सकता है।

L = - Y_{i j} l o g P_{i j} - (1 - Y_{i j}) l o g (1 - P_{i j})

$L = - Y_ {ij} \ log {P_ {ij}} - (1 - Y_ {ij}) \ log {(1-P_ {ij})}$

$Y_ {ij}$ यहाँ रैंकिंग की सही संभावना है। हम इसे 1 के रूप में परिभाषित करेंगे $i \ gt j$ , 0 अगर $i \ lt g$ और मामले में 0.5 $i = j$ ।

एक दो-स्तरीय मॉडल एकल-स्तरीय मॉडल की तुलना में मैट्रिक्स में 50% की वृद्धि देता है। रैंकिंग हानि समारोह एक और 10% जोड़ता है।

बोनस: संबंधित फिल्में

याद रखें, हमारे दृष्टिकोण के फायदे में, मैंने मैट्रिक्स फैक्टराइजेशन से "मुक्त" वैक्टर का उल्लेख किया है जो कि संबंधित समस्याओं को हल करने के लिए इस्तेमाल किया जा सकता है? तो, इन कार्यों में से एक - समान फिल्मों की खोज - हमने फैसला किया।

इसी तरह की फिल्मों की खोज का चित्रण

अपमान का समाधान सरल है: प्रत्येक फिल्म के लिए, हम इसके वेक्टर को लेते हैं और इसे कॉशन दूरी पर निकटतम लोगों की तलाश करते हैं। यह आंख को काफी पर्याप्त लगता है। अगला स्तर मेटा जानकारी जोड़ना और ग्राफ़ एल्गोरिदम का उपयोग करना है।

रेखा और उनके साथ ऐसी ही फिल्में हैं

तकनीकी कार्यान्वयन

एल्गोरिथम भाग के अलावा, मैं कार्यान्वयन के बारे में थोड़ी बात करना चाहता हूं। रेक्को में तीन घटक होते हैं: लिंच, रेक्को-फ़ंक्शंस और रेक्को-सर्विस।

लिंच एक शक्तिशाली मशीन पर चलता है, समय-समय पर उठता है, माइक्रो सर्विस के लिए डेटा तैयार करता है, और उन्हें एस 3 में डालता है।

माइक्रोसर्विस रेकोको-टास्क और रेक्को-सर्विस ओकोको उत्पाद वातावरण में, अन्य सभी माइक्रोसोर्विस और डेटाबेस के साथ स्थित हैं। उनमें से पहला लगातार परिवर्तन के लिए S3 की निगरानी करता है, यदि कोई है, तो उन्हें डाउनलोड करता है और किराने के ठिकानों में डालता है। उपयोगकर्ता के अनुरोधों का वास्तविक समय में जवाब देने और उनकी सिफारिशों की गणना करने के लिए दूसरा माइक्रोसॉर्क्स इन गणना परिणामों का उपयोग करता है।

सेवा वास्तुकला

पाइथन में बाज़, गनिकोर्न और जियोवेंट का उपयोग करते हुए माइक्रोसर्विसेज लिखे गए हैं और व्यावसायिक तर्क को छोड़कर कुछ भी दिलचस्प नहीं दर्शाते हैं। ओक्को उत्पाद पर्यावरण के अन्य सभी माइक्रोसर्विसेज की तरह, वे बैलेंसर द्वारा बंद किए गए हैं।

लिंच ज्यादा दिलचस्प है।

उपयोगकर्ताओं के लिए सिफारिशों के अगले भाग की गणना करने के लिए क्या करने की आवश्यकता है? कम से कम:

नया डेटा डाउनलोड करें जो पिछले रिकाउंट के बाद दिखाई दिया है;
उन्हें संसाधित करें;
ट्रेन मैट्रिक्स कारक;
उम्मीदवारों का निर्माण करें
उम्मीदवारों को पुनर्व्यवस्थित करें;
व्यावसायिक नियम लागू करें
अनलोड।

ऐसा लगता है कि यह डरावना नहीं है, आप प्रत्येक भाग को एक अलग फ़ंक्शन में रख सकते हैं और बस उन्हें बदले में कॉल कर सकते हैं:

data = extract_data() data = transform_data(data) mf_model = train_mf_model(data) candidates = build_candidates(mf_model) predictions = build_predictions(content_model, candidates) upload_predictions(predictions)

खैर, सब कुछ एक महान काम किया, क्या हम असहमत हैं? वास्तव में नहीं। लेकिन अगर पूरी चादर कहीं गिर जाए तो क्या होगा? उदाहरण के लिए, स्मृति की कमी के कारण। हमें फिर से सबकुछ फिर से शुरू करना होगा, भले ही हमने पहले ही मॉडल और बिल्डिंग उम्मीदवारों को प्रशिक्षित करने में कुछ घंटे बिताए हों।

ठीक है, तो चलो सभी मध्यवर्ती परिणामों को फाइलों में सहेजते हैं, और गिरने के बाद, जांचें कि कौन से पहले से मौजूद हैं, राज्य को पुनर्स्थापित करें और सही समय से गणना शुरू करें। वास्तव में, यह विचार पिछले एक से भी बदतर है। किसी फ़ाइल में लिखने के बीच में एक कार्यक्रम बाधित हो सकता है, और यद्यपि यह मौजूद है, यह एक गलत स्थिति में होगा। सबसे अच्छा मामले में, पूरी गणना गिर जाएगी, सबसे खराब में, यह गलत परिणाम के साथ समाप्त होगा।

ठीक है, चलो परमाणु फ़ाइल को लिखें। और हम प्रत्येक फ़ंक्शन को एक अलग इकाई में निकालते हैं और उनके बीच निर्भरता का संकेत देते हैं। परिणाम गणना की एक श्रृंखला है, जिसका प्रत्येक तत्व या तो प्रदर्शन किया जा सकता है या नहीं।

आश्रित कार्य चित्रण

पहले से ही बुरा नहीं है। लेकिन वास्तव में, सभी आवश्यक गणनाओं को एक सूची द्वारा शायद ही वर्णित किया जाएगा। लर्निंग मैट्रिक्स फैक्टराइजेशन के लिए न केवल लेन-देन डेटा की आवश्यकता होगी, बल्कि उपयोगकर्ता रेटिंग भी, भवन निर्माण करने वाले उम्मीदवारों को उन्हें बाहर करने के लिए याद की गई फिल्मों की सूची की आवश्यकता होगी, समान फिल्मों की गणना के लिए कैटलॉग से प्रशिक्षित मैट्रिक्स फैक्टराइजेशन और मेटा-जानकारी की आवश्यकता होगी, और इसी तरह। हमारे कार्य अब केवल कनेक्ट की गई सूची में नहीं बनाए गए हैं, बल्कि साइकिल के बिना एक निर्देशित ग्राफ (डायरेक्टेड एसाइक्लिक ग्राफ, डीएजी) में हैं।

DAG चित्रण

DAG एक बेहद लोकप्रिय कंप्यूटिंग संगठन है। डीएजी के निर्माण के लिए दो मुख्य ढांचे हैं: एयरफ्लो और लुइगी । हम ओको में बाद में बस गए। लुइगी को स्पॉटिफ़ में विकसित किया गया है, सक्रिय रूप से विकसित हो रहा है, पूरी तरह से अजगर में लिखा गया है, आसानी से एक्स्टेंसिबल है और आपको बहुत लचीले ढंग से गणनाओं को व्यवस्थित करने की अनुमति देता है।

लुइगी में एक कार्य को एक वर्ग द्वारा परिभाषित किया गया है जो luigi.Task से विरासत में luigi.Task और तीन आवश्यक तरीकों requires लागू करता है: requires , output और run । यह एक विशिष्ट कार्य जैसा दिखता है:

 # RekkoTask  luigi.Task   class DoSomething(RekkoTask): #   date: datetime.datetime = luigi.DateSecondParameter() #   resources = { 'cores': 4, 'aws': 1, 'memory': 8 } # Namespace     task_namespace = 'Transform' def requires(self): # ,          return { 'data': DownloadData(date=self.date), 'element_mapping': MakeElementMapping(date=self.date) } def output(self): #      #       ,        s3 return luigi.LocalTarget( os.path.join(self.data_root, f'some_output_{self.date}.msg'), format=luigi.format.Nop ) def run(self): #  ,     #      with self.input()['data'].open('r') as f: data = pd.read_csv(f) with self.input()['element_mapping'].open('r') as f: element_mapping = json.load(f) #       result = ... #         Splunk self.log( n_results=len(result) ) #    with self.output().open('w') as f: result.to_msgpack(f)

लुइगी सुनिश्चित करेगा कि उपलब्ध संसाधनों की खपत को पार किए बिना कार्य सही क्रम में पूरा हो। यदि कार्यों को समानांतर में किया जा सकता है, तो यह उन्हें समानांतर में चलाएगा, सीपीयू उपयोग को अधिकतम करेगा और समग्र निष्पादन समय को कम करेगा। यदि कुछ कार्य विफल हो जाता है, तो वह इसे कई बार पुनः आरंभ करेगा और विफलता के मामले में हमें सूचित करेगा। इस स्थिति में, किए जाने वाले सभी कार्य निष्पादित किए जाएंगे। इसका अर्थ है, उदाहरण के लिए, उम्मीदवारों की रैंकिंग के कार्य में त्रुटि गिनती और समान फिल्मों की सूची अपलोड करने में बाधा नहीं है।

वर्तमान में लिंच में 47 अद्वितीय कार्य शामिल हैं, जो इसकी 100 प्रतियों का उत्पादन करते हैं। उनमें से कुछ प्रत्यक्ष काम में व्यस्त हैं, उनमें से कुछ मैट्रिक्स की गिनती कर रहे हैं और उन्हें हमारे स्प्लंक बीआई उपकरण में भेज रहे हैं। लिंच समय-समय पर मूल आंकड़े और रिपोर्ट भी टेलीग्राम द्वारा हमें भेजती है। वह त्रुटियों के बारे में भी लिखते हैं, लेकिन पीएम में।

निगरानी, विभाजन और परिणाम

डेटा साइंस का पहला नियम: डेटा साइंस में सैलरी के बारे में किसी को न बताएं। डेटा साइंस का दूसरा नियम: जिसे मापा नहीं जा सकता, उसमें सुधार नहीं किया जा सकता है।

हम हर चीज पर नजर रखने की कोशिश करते हैं। सबसे पहले, यह, निश्चित रूप से, ऐतिहासिक डेटा पर रैंकिंग रैंकिंग। वे कई लोगों से सर्वश्रेष्ठ मॉडल चुनने और इसके लिए हाइपर मापदंडों को चुनने के लिए अनुसंधान के स्तर पर भी मदद करते हैं।

उत्पादन में काम करने वाले मॉडल के लिए, हम मीट्रिक पर भी विचार करते हैं, लेकिन पहले से ही दिन-प्रतिदिन। इस तरह के मैट्रिक्स काफी अस्थिर हैं, लेकिन यह उनके द्वारा कहा जा सकता है कि मॉडल किसी कारण से अचानक खराब हो जाए। जब एक नया मॉडल ठेस में लॉन्च किया जाता है, तो आप इसे एक सप्ताह के लिए बेकार छोड़ सकते हैं और सुनिश्चित कर सकते हैं कि मेट्रिक्स शिथिल न हो। उसके बाद, आप इसे कुछ उपयोगकर्ताओं के लिए सक्षम कर सकते हैं, ए / बी परीक्षण चला सकते हैं और पहले से ही व्यापार मीट्रिक की निगरानी कर सकते हैं।

इसके अलावा, हम शैली, देश, वर्ष, प्रकार, आदि द्वारा सिफारिशों के वितरण पर विचार करते हैं। यह हमें उपयोगकर्ता की प्राथमिकताओं की वर्तमान प्रकृति को समझने, वास्तविक देखने के आंकड़ों के साथ तुलना करने और व्यावसायिक नियमों में त्रुटियों को पकड़ने की अनुमति देता है।

उपयोग किए गए सभी लक्षणों के वितरण का ट्रैक रखना भी महत्वपूर्ण है। उनमें एक तीव्र परिवर्तन डेटा स्रोत में त्रुटि के कारण हो सकता है और अप्रत्याशित परिणाम हो सकता है।

लेकिन, निश्चित रूप से, सबसे महत्वपूर्ण बात यह है कि व्यापार पर ध्यान देने की आवश्यकता है। सिफारिश प्रणाली के हिस्से के रूप में, हमारे लिए मुख्य व्यवसाय मीट्रिक हैं:

लेन-देन और सदस्यता खपत मॉडल (टीवीओडी / एसवीओडी राजस्व) से राजस्व;
औसत राजस्व प्रति आगंतुक (औसत राजस्व प्रति आगंतुक, एआरपीवी);
औसत चेक (औसत मूल्य प्रति खरीद, एपीपी);
प्रति उपयोगकर्ता औसत खरीद (एपीपीयू);
खरीद के लिए रूपांतरण (खरीद करने के लिए सीआर);
सदस्यता द्वारा देखने के लिए रूपांतरण (देखने के लिए सीआर);
परीक्षण अवधि के दौरान रूपांतरण (परीक्षण के लिए सीआर)।

एक ही समय में, हम "सिफारिश" और "समान" अनुभागों से मैट्रिक्स को अलग-अलग देखते हैं और संपूर्ण सेवा के मैट्रिक्स को पुनर्वितरण प्रभाव को ध्यान में रखते हुए और अलग-अलग कोणों से स्थिति पर विचार करने के लिए करते हैं।

यह कई मॉडलों की तुलना करने वाले डैशबोर्ड की तरह लग सकता है:

जैसा कि मैंने शुरुआत में कहा था, हम न केवल एक-दूसरे के साथ मॉडल की तुलना करते हैं, बल्कि उपयोगकर्ताओं के एक समूह की भी सिफारिश के बिना उपयोगकर्ताओं के एक समूह के खिलाफ सिफारिशें करते हैं। यह हमें रेक्को के कार्यान्वयन के शुद्ध प्रभाव का मूल्यांकन करने और यह समझने की अनुमति देता है कि हम इस समय कहां हैं और सुधार के लिए अभी भी क्या मार्जिन है। इस ए / बी परीक्षण के अनुसार, वर्तमान में हमारे पास है:

ARPV + 3.5%
ARPV मार्जिन + 5% के साथ
APPU + 4.3%
सीआर परीक्षण + 2.6% करने के लिए
देखने के लिए CR + 2.5%
एपीपी -1%

एक ऑनलाइन सिनेमा में फिल्मों को दो समूहों में विभाजित किया जा सकता है: नई वस्तुएं और पुरानी सामग्री। हम पहले से ही अच्छी खबर बेचना जानते हैं। व्यक्तिगत अनुशंसाओं का मुख्य उद्देश्य कैटलॉग से उपयोगकर्ताओं के लिए प्रासंगिक पुरानी सामग्री प्राप्त करना है। इससे औसत चेक की खरीद और ग्राहकी की संख्या में वृद्धि होती है, क्योंकि ऐसी सामग्री स्वाभाविक रूप से सस्ती होती है। लेकिन ऐसी सामग्री में एक उच्च मार्जिन भी होता है, जो चेक के निर्वाह के लिए क्षतिपूर्ति करता है और राजस्व में वृद्धि देता है।

अधिक प्रासंगिक सदस्यता सामग्री ने परीक्षण अवधि के दौरान रूपांतरण को बढ़ा दिया है और सदस्यता द्वारा देखा गया है।

रेकको चुनौती

18 फरवरी से 18 अप्रैल, 2019 तक, बूस्टर प्लेटफॉर्म के साथ मिलकर, हमने रेक्को चैलेंज का आयोजन किया, जहां हमने प्रतिभागियों को अज्ञात उत्पाद डेटा के आधार पर एक सिफारिश प्रणाली बनाने के लिए आमंत्रित किया।

रेका चैलेंज कनवर्टर तालिका

यह उम्मीद की जाती है कि जो प्रतिभागी हमारे समान दो स्तरीय प्रणाली का निर्माण करेंगे, वे शीर्ष पर थे। पहले और तीसरे स्थान पर आने वाले विजेता, आरएनएन के साथ जुड़ने में कामयाब रहे। और आठवें स्थान से प्रतिभागी केवल सहयोगी फ़िल्टरिंग मॉडल का उपयोग करके उस पर चढ़ने में कामयाब रहे।

प्रतियोगिता में दूसरा स्थान हासिल करने वाली एवगेनी स्मिरनोव ने एक लेख लिखा जहां उन्होंने अपने फैसले के बारे में बात की।

फिलहाल, प्रतियोगिता सैंडबॉक्स के रूप में उपलब्ध है, इसलिए हर कोई जो अनुशंसा प्रणालियों में रुचि रखता है, वे इस पर अपना हाथ आज़मा सकते हैं और उपयोगी अनुभव प्राप्त कर सकते हैं।

निष्कर्ष

इस लेख के साथ, मैं आपको दिखाना चाहता था कि उत्पादन में सिफारिश प्रणाली बिल्कुल मुश्किल नहीं है, लेकिन मज़ेदार और लाभदायक है। मुख्य बात लक्ष्यों के बारे में सोचना है, न कि उन्हें प्राप्त करने का साधन और लगातार सब कुछ मापना।

भविष्य के लेखों में, हम आपको ओकोको किचन के बारे में और भी अधिक बताएंगे, ताकि सदस्यता और पसंद करना न भूलें।

ओक्को में सिफारिशें: एक जोड़ी मैट्रिसेस को गुणा करके सैकड़ों करोड़ कैसे कमाएं