Collaborative Filtering Course

Lektion 1 • Taxonomi över filtreringsmetoder

Översikt över innehållsbaserade, kollaborativa och hybrida filtreringsstrategier. Placerar kollaborativ filtrering i ett bredare landskap.

Lektion 2 • Vad rekommendationssystem gör

Definierar rekommendationssystem och deras kärnfunktion att matcha användare med objekt. Etablerar den vokabulär som används genom hela kursen.

Lektion 3 • Datakrav och insamling

Identifierar de datatyper som behövs för att driva kollaborativa filtreringsmodeller. Täcker insamlingsstrategier och tidiga överväganden om datakvalitet.

Lektion 1 • Matrisoperationer för rekommendationer

Tillämpar matrismultiplikation, transponering och invertering på betygsmatriser. Förbereder studenterna för matrisfaktoriseringens nedbrytningstekniker.

Lektion 2 • Grundläggande sannolikhet och statistik

Repeterar betingad sannolikhet, väntevärde och varians som de tillämpas på betygsförutsägelse. Grundlägger sannolikhetsmodeller som introduceras i senare kapitel.

Lektion 3 • Grundläggande linjär algebra

Täcker vektorer, matriser och skalärprodukter som representationer av användare och objekt. Stöder direkt beräkning av likhet och matrisfaktorisering senare.

Lektion 1 • Objektbaserad nearest-neighbor-filtrering

Beräknar objekt-till-objekt-likhet och rekommenderar objekt relaterade till de en användare redan har betygsatt. Kontrasterar skalbarhet med användarbaserade metoder.

Lektion 2 • Utvärdering av minnesbaserade modeller

Tillämpar MAE, RMSE och rankningsmått för att bedöma förutsägelsekvalitet. Introducerar träning-test-uppdelning och korsvalidering för utvärdering av rekommendationssystem.

Lektion 3 • Användarbaserad nearest-neighbor-filtrering

Hittar liknande användare och aggregerar deras betyg för att förutsäga en målanvändares preferenser. Introducerar grannskapsurval och viktad medelvärdesbildning.

Lektion 4 • Normalisering och bias-korrigering

Adresserar användarbetygsbias genom medelcentrering och z-poängsnormalisering. Förbättrar förutsägelseträffsäkerheten innan likhet beräknas.

Lektion 1 • Regulariserad matrisfaktorisering

Introducerar målfunktionen med L2-regularisering för att förhindra överanpassning av latenta faktorer. Härleder gradientuppdateringsreglerna som används vid optimering.

Lektion 2 • Inkorporering av biastermer

Utökar basfaktoriseringsmodellen med globala, användar- och objektbiasparametrar. Visar mätbara träffsäkerhetsförbättringar på standardbenchmarks.

Lektion 3 • Grundläggande singularvärdesuppdelning

Förklarar SVD som en lågrankad approximation av betygsmatrisen. Kopplar latenta dimensioner till dolda användar- och objektegenskaper.

Lektion 4 • Träning med stokastisk gradientnedstigning

Tränar matrisfaktoriseringsmodeller effektivt med SGD på observerade betyg. Täcker scheman för inlärningshastighet och övervakning av konvergens.

Lektion 1 • Viktad regulariserad matrisfaktorisering

Tillämpar konfidensviktad förlust för att behandla icke-observerade interaktioner som mjuka negativa. Härleder WRMF:s målfunktion och dess ALS-lösning.

Lektion 2 • Bayesiansk personlig rankning

Ramar in rekommendation som parvis rankning genom att maximera sannolikheten att observerade objekt rankas över icke-observerade. Tränar med SGD på samplade tripletter.

Lektion 3 • Återbesök av implicit och explicit feedback

Kontrasterar de statistiska egenskaperna hos implicita signaler med explicita betyg. Fastställer varför standardantaganden för faktorisering måste revideras.

Lektion 1 • Sekvensmedvetna rekommendationsmodeller

Modellerar temporalt användarbeteende med återkommande och uppmärksamhetsbaserade arkitekturer. Fångar sessionskontext som statiska modeller missar.

Lektion 2 • Neural kollaborativ filtreringsarkitektur

Ersätter skalärprodukten med en flerlagersperceptron för att modellera komplexa interaktioner. Introducerar GMF- och MLP-grenarna i NCF-ramverket.

Lektion 3 • Jämförelse av djupa och grunda modeller

Benchmar neural CF mot matrisfaktorisering på träffsäkerhet, träningskostnad och tolkningsbarhet. Vägleder modellval baserat på datamängdstorlek och latensbegränsningar.

Lektion 4 • Autokodare för rekommendation

Använder kodare-avkodare-nätverk för att återskapa betygsvektorer och imputera saknade värden. Täcker brusreducerande autokodare som en regulariseringsstrategi.

Lektion 1 • Distribuerad modellträning

Skalar faktoriserings- och neural CF-träning över flera maskiner med hjälp av data- och modellparallelism. Adresserar gradientsynkronisering och feltolerans.

Lektion 2 • Feature stores och leverans av inbäddningar

Hanterar användar- och objektsinbäddningar i en feature store för konsekvent träning och leverans. Täcker versionshantering, hämtningslatens och scheman för uppdatering av inbäddningar.

Lektion 3 • Övervakning och underhåll av livesystem

Spårar rekommendationskvalitet i produktion med hjälp av onlinemätvärden och detektering av datadrift. Etablerar återträningstriggers och tillbakarullningsprocedurer.

Lektion 4 • Ungefärlig nearest-neighbor-sökning

Ersätter exakt likhetssökning med ANN-index för att hämta kandidater på millisekunder. Täcker HNSW-, LSH- och produktkvantiseringsmetoder.

Lektion 1 • Grafneurala nätverk för CF

Modellerar användar-objekt-interaktioner som en bipartit graf och propagerar inbäddningar genom grafkonvolutioner. Täcker LightGCN och dess förenklingar.

Lektion 2 • Federerad kollaborativ filtrering

Tränar rekommendationsmodeller över decentraliserade användarenheter utan att dela rå interaktionsdata. Adresserar kommunikationseffektivitet och integritetsgarantier.

Lektion 3 • Konversationella och interaktiva rekommendationer

Inkorporerar användaråterkoppling genom dialog i flera steg för att dynamiskt förfina rekommendationer. Kopplar förstärkningsinlärning och banditramverk till CF.

Lektion 4 • Framväxande forskningsriktningar

Granskar integration av stora språkmodeller, kausal inferens och självövervakad förträning inom rekommendationsforskning. Vägleder studenter i att identifiera hanterbara öppna problem.