Collaborative Filtering Course

Pelajaran 1 • Taksonomi Pendekatan Penyaringan

Meninjau strategi penyaringan berbasis konten, kolaboratif, dan hybrid. Menempatkan penyaringan kolaboratif dalam lanskap yang lebih luas.

Pelajaran 2 • Apa yang Dilakukan Sistem Rekomendasi

Mendefinisikan sistem rekomendasi dan fungsi intinya dalam mencocokkan pengguna dengan item. Membangun kosakata yang digunakan di seluruh kursus.

Pelajaran 3 • Kebutuhan dan Pengumpulan Data

Mengidentifikasi jenis data yang diperlukan untuk mendukung model penyaringan kolaboratif. Mencakup strategi pengumpulan dan pertimbangan kualitas data awal.

Pelajaran 1 • Operasi Matriks untuk Rekomendasi

Menerapkan perkalian matriks, transposisi, dan inversi pada matriks penilaian. Mempersiapkan siswa untuk teknik dekomposisi faktorisasi matriks.

Pelajaran 2 • Dasar-dasar Probabilitas dan Statistika

Meninjau probabilitas bersyarat, ekspektasi, dan varians sebagaimana diterapkan pada prediksi penilaian. Mendasari model probabilistik yang diperkenalkan di bab-bab selanjutnya.

Pelajaran 3 • Hal-Hal Esensial Aljabar Linear

Mencakup vektor, matriks, dan perkalian titik sebagai representasi pengguna dan item. Mendukung langsung komputasi kemiripan dan faktorisasi matriks nanti.

Pelajaran 1 • Penyaringan Tetangga Terdekat Berbasis Item

Menghitung kemiripan antar-item dan merekomendasikan item yang terkait dengan item yang sudah dinilai pengguna. Membandingkan skalabilitas dengan pendekatan berbasis pengguna.

Pelajaran 2 • Mengevaluasi Model Berbasis Memori

Menerapkan MAE, RMSE, dan metrik peringkat untuk menilai kualitas prediksi. Memperkenalkan pemisahan train-test dan validasi silang untuk evaluasi recommender.

Pelajaran 3 • Penyaringan Tetangga Terdekat Berbasis Pengguna

Menemukan pengguna serupa dan menggabungkan penilaian mereka untuk memprediksi preferensi pengguna target. Memperkenalkan pemilihan lingkungan dan rata-rata tertimbang.

Pelajaran 4 • Normalisasi dan Koreksi Bias

Mengatasi bias penilaian pengguna melalui mean-centering dan normalisasi z-score. Meningkatkan akurasi prediksi sebelum kemiripan dihitung.

Pelajaran 1 • Faktorisasi Matriks Terregulasi

Memperkenalkan fungsi objektif dengan regularisasi L2 untuk mencegah overfitting faktor laten. Menurunkan aturan pembaruan gradien yang digunakan dalam optimasi.

Pelajaran 2 • Memasukkan Istilah Bias

Memperluas model faktorisasi dasar dengan parameter bias global, pengguna, dan item. Mendemonstrasikan peningkatan akurasi yang terukur pada benchmark standar.

Pelajaran 3 • Dasar-Dasar Dekomposisi Nilai Singular

Menjelaskan SVD sebagai aproksimasi rank rendah dari matriks penilaian. Menghubungkan dimensi laten dengan karakteristik pengguna dan item yang tersembunyi.

Pelajaran 4 • Pelatihan Stochastic Gradient Descent

Melatih model faktorisasi matriks secara efisien menggunakan SGD pada penilaian yang diamati. Mencakup jadwal learning rate dan pemantauan konvergensi.

Pelajaran 1 • Faktorisasi Matriks Terregulasi Terbobot

Menerapkan kerugian berbobot keyakinan untuk memperlakukan interaksi yang tidak diamati sebagai soft negative. Menurunkan objektif WRMF dan solusi ALS-nya.

Pelajaran 2 • Peringkat Personalisasi Bayesian

Membingkai rekomendasi sebagai peringkat berpasangan dengan memaksimalkan kemungkinan bahwa item yang diamati berada di peringkat atas item yang tidak diamati. Melatih dengan SGD pada triplet yang diambil sampelnya.

Pelajaran 3 • Umpan Balik Implisit vs. Eksplisit Ditinjau Kembali

Membandingkan sifat statistik sinyal implisit dengan penilaian eksplisit. Menetapkan mengapa asumsi faktorisasi standar harus direvisi.

Pelajaran 1 • Model Rekomendasi Sadar Urutan

Memodelkan perilaku pengguna temporal dengan arsitektur recurrent dan attention. Menangkap konteks sesi yang terlewatkan oleh model statis.

Pelajaran 2 • Arsitektur Penyaringan Kolaboratif Neural

Mengganti perkalian titik dengan multilayer perceptron untuk memodelkan interaksi yang kompleks. Memperkenalkan cabang GMF dan MLP dari framework NCF.

Pelajaran 3 • Membandingkan Model Dalam dan Dangkal

Membandingkan CF neural dengan faktorisasi matriks pada akurasi, biaya pelatihan, dan interpretabilitas. Memandu pemilihan model berdasarkan ukuran dataset dan kendala latensi.

Pelajaran 4 • Autoencoder untuk Rekomendasi

Menggunakan jaringan encoder-decoder untuk merekonstruksi vektor penilaian dan mengisi nilai yang hilang. Mencakup denoising autoencoder sebagai strategi regularisasi.

Pelajaran 1 • Pelatihan Model Terdistribusi

Menskalakan pelatihan CF dan neural di beberapa mesin menggunakan paralelisme data dan model. Mengatasi sinkronisasi gradien dan toleransi kesalahan.

Pelajaran 2 • Feature Store dan Penyajian Embedding

Mengelola embedding pengguna dan item di feature store untuk pelatihan dan penyajian yang konsisten. Mencakup versioning, latensi pengambilan, dan jadwal refresh embedding.

Pelajaran 3 • Memantau dan Memelihara Sistem Langsung

Melacak kualitas rekomendasi di produksi menggunakan metrik online dan deteksi data drift. Menetapkan pemicu pelatihan ulang dan prosedur rollback.

Pelajaran 4 • Pencarian Tetangga Terdekat Aproksimasi

Mengganti pencarian kemiripan eksak dengan indeks ANN untuk mengambil kandidat dalam milidetik. Mencakup metode HNSW, LSH, dan product quantization.

Pelajaran 1 • Jaringan Saraf Graf untuk CF

Memodelkan interaksi pengguna-item sebagai graf bipartit dan menyebarkan embedding melalui konvolusi graf. Mencakup LightGCN dan penyederhanaannya.

Pelajaran 2 • Penyaringan Kolaboratif Terfederasi

Melatih model rekomendasi di seluruh perangkat pengguna yang terdesentralisasi tanpa membagikan data interaksi mentah. Mengatasi efisiensi komunikasi dan jaminan privasi.

Pelajaran 3 • Rekomendasi Percakapan dan Interaktif

Menggabungkan umpan balik pengguna melalui dialog multi-putaran untuk menyempurnakan rekomendasi secara dinamis. Menghubungkan framework pembelajaran penguatan dan bandit ke CF.

Pelajaran 4 • Arah Riset yang Muncul

Meninjau integrasi large language model, inferensi kausal, dan pra-pelatihan yang diawasi sendiri dalam riset rekomendasi. Memandu siswa dalam mengidentifikasi masalah terbuka yang dapat dikerjakan.