Vos amis regardent aussi ! L'algorithme Google STUDY prend en charge le système de recommandation de listes de livres pour que les étudiants tombent amoureux de la lecture

Ouvrir un livre est bénéfique, c'est ce que nous avons toujours compris. La lecture peut aider les gens à améliorer leurs compétences linguistiques et à acquérir de nouvelles compétences....

La lecture peut également améliorer l'humeur et la santé mentale. Les personnes qui lisent régulièrement ont une meilleure culture générale et une compréhension plus profonde des autres cultures.

De plus, des études ont prouvé que le plaisir de lire est lié à la réussite scolaire.

Mais à l'ère de l'explosion de l'information, il existe d'abondantes ressources de lecture en ligne et hors ligne. Que lire devient un défi difficile.

En particulier, le contenu de lecture doit correspondre à différentes tranches d'âge et être engageant.

Et le système de recommandation est la solution à ce défi. Il présente aux lecteurs du matériel de lecture pertinent et les aide à rester intéressés.

Le cœur du système de recommandation est l'apprentissage automatique (ML), qui est largement utilisé dans la création de différents types de systèmes de recommandation : des vidéos aux livres en passant par les plateformes de commerce électronique.

Le modèle ML formé peut faire des recommandations à chaque utilisateur individuellement en fonction des préférences de l'utilisateur, de l'engagement de l'utilisateur et des éléments recommandés, améliorant ainsi l'expérience utilisateur.

La dernière recherche de Google propose un système de recommandation de contenu de livres audio qui prend en compte la nature sociale de la lecture (comme les environnements éducatifs) : l'algorithme STUDY.

Étant donné que ce que lisent actuellement les pairs d’une personne peut avoir un impact significatif sur ce qu’elle souhaite lire, Google s’est associé à Learning Ally.

Learning Ally est une organisation éducative à but non lucratif dotée d'une vaste bibliothèque numérique de livres audio sélectionnés pour les étudiants, parfaite pour créer des modèles de recommandation sociale.

Cela permet au modèle de bénéficier d'informations en temps réel sur les groupes sociaux localisés des étudiants (tels que les salles de classe).

STUDY algorithm

STUDY algorithm adopte une méthode de modélisation du problème de contenu recommandé en tant que problème de prédiction du taux de clics.

où la probabilité d'interaction de l'utilisateur simulé avec chaque élément spécifique dépend de :

1) Caractéristiques de l'utilisateur et de l'élément

2) La séquence de l'historique des interactions avec les éléments de l'utilisateur.

Des travaux antérieurs ont montré que le modèle Transformer est bien adapté à la modélisation de ce problème.

En traitant chaque utilisateur individuellement, la simulation d'une interaction devient un problème de modélisation de séquence autorégressive.

L'algorithme STUDY est le produit final de la modélisation des données à travers ce cadre conceptuel, puis de l'extension de ce cadre.

Le problème de prédiction du taux de clics peut modéliser les dépendances entre les préférences d'articles passées et futures des utilisateurs individuels, et apprendre des modèles de similarité entre les utilisateurs au moment de la formation.

Mais un problème est que la méthode de prédiction du taux de clics ne peut pas modéliser les dépendances entre les différents utilisateurs.

À cette fin, Google a développé le modèle STUDY, qui peut résoudre les lacunes de la modélisation de séquences autorégressives qui ne peuvent pas modéliser la nature sociale de la lecture.

STUDY peut relier les séquences de livres lus par plusieurs élèves d'une classe en une seule séquence, collectant ainsi les données de plusieurs élèves dans un seul modèle.

Cependant, cette représentation des données doit être étudiée attentivement lors de sa modélisation avec un Transformer.

Dans Transformer, le masque d'attention est la matrice qui contrôle quelles entrées peuvent être utilisées pour prédire quelles sorties.

Le modèle d'utilisation de tous les jetons précédents de la séquence pour informer la prédiction des résultats de sortie dans une matrice d'attention triangulaire supérieure, que l'on trouve généralement dans les décodeurs causals.

Cependant, étant donné que la séquence entrée dans le modèle STUDY n'est pas dans l'ordre chronologique, bien que chacune de ses sous-séquences composantes soit dans l'ordre chronologique, le décodeur causal traditionnel n'est plus adapté à cette séquence.

En essayant de prédire chaque jeton, le modèle ne permet pas de se tourner vers chaque jeton qui apparaît avant lui dans la séquence ; certains de ces jetons peuvent avoir des horodatages ultérieurs et contenir des informations qui ne sont pas disponibles au moment du déploiement ; .

photos

Masques d'attention couramment utilisés dans les décodeurs causals. Chaque colonne représente une sortie et chaque colonne représente une sortie. Une entrée de matrice avec une valeur de 1 (indiquée en bleu) à une position spécifique indique que le modèle peut observer l'entrée de cette ligne lors de la prédiction de la sortie de la colonne correspondante, tandis qu'une valeur de 0 (indiquée en blanc) indique le contraire. . Le modèle

STUDY est basé sur un transformateur causal qui remplace le masque d'attention matriciel triangulaire par un masque d'attention flexible basé sur un horodatage, permettant l'attention sur différentes sous-séquences.

Par rapport aux convertisseurs ordinaires, le modèle STUDY maintient une matrice d'attention triangulaire causale dans une séquence et a des valeurs flexibles dans différentes séquences qui dépendent de l'horodatage.

Ainsi, la prédiction pour tout point de sortie de la séquence fera référence à tous les points d'entrée qui se sont produits dans le passé par rapport au moment actuel, qu'ils se soient produits avant ou après le point d'entrée actuel dans la séquence.

Cette contrainte causale est importante car si cette contrainte n'est pas appliquée pendant la formation, le modèle peut apprendre à utiliser les informations futures pour faire des prédictions, ce qui n'est pas possible dans les déploiements réels.

Photos

(a) Un transformateur autorégressif séquentiel avec attention causale, qui peut gérer chaque utilisateur individuellement (b) Une passe avant conjointe équivalente, qui calcule la même chose que (a) Idem (c) ; En introduisant de nouvelles valeurs non nulles dans le masque d'attention (affiché en violet), les informations peuvent circuler entre les utilisateurs. Pour ce faire, nous avons autorisé que les prédictions soient conditionnelles à toutes les interactions avec des horodatages antérieurs, que les interactions proviennent ou non du même utilisateur

Expérience

Google a utilisé l'ensemble de données Learning Ally pour entraîner le modèle STUDY, en utilisant. plusieurs références Faites une comparaison.

L'équipe a utilisé un décodeur CTR autorégressif (appelé « individuel »), une ligne de base du k-voisin le plus proche (KNN) et une base de référence sociale comparable - le Social Attention Memory Network (SAMN).

Ils ont utilisé les données de la première année universitaire pour la formation et les données de la deuxième année universitaire pour la validation et les tests.

L'équipe évalue ces modèles en mesurant le pourcentage de temps pendant lequel le prochain élément avec lequel l'utilisateur interagit réellement figure parmi les n principales suggestions du modèle.

En plus d'évaluer le modèle sur l'ensemble de l'ensemble de tests, l'équipe rapporte également les scores du modèle sur deux sous-ensembles de l'ensemble de tests qui sont plus difficiles que l'ensemble de données.

On peut observer que les étudiants interagissent généralement plusieurs fois avec les livres audio, il est donc trivial de simplement recommander le dernier livre qu'un utilisateur a lu.

Par conséquent, les chercheurs appellent le premier sous-ensemble de test « non-continuation ». Dans ce sous-ensemble, nous examinons uniquement les performances de recommandation de chaque modèle lorsque les étudiants interagissent avec des livres différents de l'interaction précédente.

De plus, l'équipe a également observé que les étudiants réviseront les livres qu'ils ont lus dans le passé, de sorte que les livres recommandés pour chaque élève sont limités aux livres qu'ils ont lus dans le passé, ce qui peut être fait lors du test. set Obtenez d'excellentes performances.

Bien qu'il puisse être utile de recommander aux étudiants leurs livres préférés du passé, une grande partie de la valeur des systèmes de recommandation vient de la recommandation de contenus nouveaux et inconnus aux utilisateurs.

Pour mesurer cela, l'équipe a évalué le modèle sur un sous-ensemble de l'ensemble de tests où les étudiants ont interagi avec la bibliographie pour la première fois. Nous nommons ce sous-ensemble d’évaluation « nouveau sous-ensemble ».

On constate que "STUDY" est meilleur que les autres modèles dans presque toutes les évaluations.

Images

L'importance d'un regroupement approprié

Le cœur de l'algorithme STUDY est de regrouper les utilisateurs et d'effectuer une inférence conjointe sur plusieurs utilisateurs du même groupe en une seule passe avant du modèle.

Les chercheurs ont examiné l'importance du regroupement pratique sur les performances du modèle à travers une étude d'ablation.

Dans le modèle proposé, les chercheurs ont regroupé tous les élèves d'une même année et d'une même école.

Nous avons ensuite expérimenté des regroupements définis par tous les élèves d'une même année et d'un même district, ainsi que le regroupement de tous les élèves en un seul groupe et l'utilisation d'un sous-ensemble aléatoire à chaque passage avant.

Les chercheurs ont également comparé ces modèles avec des modèles « personnels » à titre de référence.

Des études ont montré que l'utilisation de groupes plus localisés est plus efficace, c'est-à-dire que les regroupements d'écoles et de niveaux sont meilleurs que les regroupements de districts scolaires et de niveaux.

Cela conforte l'hypothèse selon laquelle le modèle de recherche réussit parce que des activités telles que la lecture sont sociales : les choix de lecture des gens sont susceptibles d'être corrélés avec les choix de lecture de leur entourage.

Les deux modes surpassent les deux autres modes (mode groupe unique et mode individuel) sans utiliser les niveaux scolaires pour regrouper les élèves.

Cela montre que les données d'utilisateurs ayant des niveaux de lecture et des intérêts similaires sont bénéfiques pour améliorer les performances du modèle.

Enfin, cette étude Google s'est limitée à la modélisation d'un groupe d'utilisateurs supposant que les relations sociales sont homogènes.

Référence :

//m.sbmmt.com/link/0b32f1a9efe5edf3dd2f38b0c0052bfe

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!