I maj i år, virksomheden Seznam.cz vil arrangere en workshop på engelsk med titlen "Anbefalingssystemer og brugerrepræsentationer” på en videnskabelig konference Machine Learning Prag 2022. Mødedeltagere stifte bekendtskab med den nuværende forskningsstatus om anbefalingssystemer, herunder deep learning-arkitekturereuronye netværk brugt i dem. Seminaret vil omfatte en praktisk del, hvor deltagerne vil være i stand til at øve dyb vejrtrækning.euroet nyt netværk, som de anvender til at løse problemet med at anbefale nyheder på udarbejdede datasæt. Forklaringen og den praktiske del vil herefter fokusere på at løse udvalgte praktiske anbefalingsproblemer, især at løse de såkaldte "kold start" af problemet ved hjælp af brugerrepræsentationsmetoder.
En oversigt over anbefalingssystemer
Hvis du for nylig har besøgt en nyhedsportal, et tematisk websted eller handlet i en onlinebutik, er du måske stødt på en liste over artikler eller produkter, der er markeret som "populære artikler", "lignende produkter" eller endda "brugere, der købte dette produkt, var også interesserede i disse produkter". I alle tilfælde blev disse tilbud præsenteret for dig af anbefalingssystemer (DS), som i vid udstrækning bruges af onlinetjenesteudbydere i dag.
En typisk søgeforespørgsel efter varer uden brug af DS kan returnere hundredvis til tusindvis af varer (illustrerende eksempel på søgning efter "løbesko til mænd" på Zboží.cz)
Online servicetilbud i det sidste årti steget med mere end en størrelsesorden og antallet af varer (onlinebutiksprodukter, nyhedsportalartikler osv.), der tilbydes af en individuel onlinetjeneste, kan være i hundredtusindvis til millioner. Pro For den gennemsnitlige internetbruger er det blevet en meget vanskelig og ubehagelig opgave at vælge mellem et så stort antal produkter og tjenester.onem – et ofte citeret psykologistudie fra 2000 baseret på veltilrettelagte eksperimenter konkluderede hun, at for mange valg i beslutningstagningen normalt har en frastødende effekt. Recommender-systemer blev designet som et svar af teknologivirksomheder på denne situation. Et korrekt designet anbefalingssystem vil forenkle og gøre brugerens valg af måltjenester og produkter mere effektivt. Dette giver brugeren en positiv fornemmelse af at bruge tjenesten, og det vil højst sandsynligt afspejle sig i den længere tid, han bruger på tjenesteudbyderens hjemmeside, i det højere antal tjenester, varer eller produkter, han ser, og selvfølgelig i mængden af salg, som tjenesteudbyderen registrerer.
Anbefalingssystemernes historie går tilbage til 70'erne, hvor de første videnskabelige artikler om anbefalingsmetoder begyndte at dukke op . Den hurtige udvikling af DS og deres massive implementering fandt sted i begyndelsen af årtusindet, da store e-handelsprojekter begyndte at nærme sig rentabilitet . I det sidste årti har tilgange baseret på dataanalyse og dermed maskinlæringsteknologier klart vundet frem i DS.
společnost Seznam.cz har brugt et anbefalingssystem på sit indholdsnetværk siden 2016 og har tilbudt anbefalinger som en tjeneste siden 2019 "Anbefalingsliste" for partnerwebsteder. Casestudie fra 2019 rapporterer en stigning på 22 % i læsertal af hjemmesideartikler, efter at tjenesten blev lanceret.
Eksempel på to DS-output fra en side www.seznam.cz – sammenligning af links genereret uden information om brugeren (venstre del af billedet) med links personligt tilpasset af DS, skræddersyet til brugeren (mand, 30 år gammel, interesseret i teknologi og bilindustrien).
En anden væsentlig effekt af den hurtige udvikling af DS i det sidste årti er den stadigt stigende efterspørgsel efter it-professionelle med ekspertviden inden for maskinlæring til brug i anbefalingssystemer. For eksempel vil søgning efter jobmuligheder på det professionelle netværk LinkedIn ved hjælp af forespørgslen "anbefalingsteknologi" returnere flere hundrede jobmuligheder. Seznam.cz på dette område tilbyder med det samme flere stillinger.
Jobmuligheder på Linkedin.com søgte efter "recommendation technology".
