Suchen Sie Experten in Natürlicher Sprachverarbeitung? Veröffentlichen Sie Ihre Stellenangebote bei uns und finden Sie heute Ihren idealen Kandidaten!
Veröffentlichen Sie einen JobWenn Sie schon einmal etwas bei Amazon oder anderen großen Online-Händlern gekauft haben, sind Ihnen die „ähnlichen Produkte“ aufgefallen, die Ihnen die Website nach dem Kauf empfiehlt. Manchmal sind sie nicht der beste Vorschlag, aber meiner Erfahrung nach treffen sie meistens ins Schwarze.
Dies ist ein Bereich des maschinellen Lernens, der Empfehlungssysteme genannt wird.
Wie funktionieren Empfehlungssysteme? Bei Online-Händlern besteht die Standardvorgehensweise darin, riesige Matrizen auszufüllen und die Beziehungen zwischen verschiedenen Produkten herauszuarbeiten. Sie können dann sehen, welche Produkte normalerweise zusammen in den gleichen Warenkorb passen, und entsprechende Empfehlungen aussprechen. Dies wird als kollaboratives Filtern bezeichnet und funktioniert vor allem deshalb, weil die meisten Produkte tausende oder Millionen Mal gekauft wurden, sodass wir die Muster erkennen können.
Fast Data Science - London
Eine Tabelle mit Produkten und wie oft sie zusammen gekauft werden. Dies ist die Grundlage der kollaborativen Filterung, einem Algorithmus von Empfehlungssystemen.
Stellen Sie sich nun vor, Sie betreiben eine Dating-Website. Vereinfachen wir es so, dass Ihre Website nur für Paarungen zwischen Männern und Frauen geeignet ist. Wie empfiehlt man einem gerade registrierten männlichen Benutzer eine Frau?
Dann wird es knifflig. Es gibt viele Benutzer, ständig registrieren sich neue Benutzer und die meisten Benutzer haben nur wenige Kontaktanfragen gestellt.
In diesem Fall können wir mit dem arbeiten, was wir haben:
Empfehlungssysteme für Text
Ein Ansatz, den ich gerne verwende, ist ein Deep-Learning-Ansatz namens Vector Embeddings , der so aussieht:
Ein Dating-Empfehlungssystem könnte alle Benutzer einem Ort im Vektorraum zuordnen und Benutzer zuordnen, die nahe beieinander erscheinen.
Der knifflige Teil ist natürlich, wie man von einem Profiltext und -bild zu einem Vektor übergeht. Darin sind Convolutional Neural Networks (CNNs) sehr gut.
Vektoreinbettungen können auch für Empfehlungen in anderen Branchen nützlich sein:
Ein Empfehlungssystem für eine Hausverkaufs-Website muss möglicherweise Text- und Bilddaten verwenden
Es gibt handelsübliche Empfehlungssysteme, die Sie für Online-Einzelhandels- oder Filmempfehlungen verwenden können. Aber für text- oder bildbasierte Empfehlungen braucht man eigentlich eine individuelle Lösung, und diese ist äußerst komplex zu erstellen.
Ich habe Fast Data Science Ltd gegründet, um Beratungsdienste in diesem Bereich anzubieten, nachdem ich 10 Jahre Erfahrung in der Arbeit mit maschinellem Lernen auf Daten in natürlicher Sprache gesammelt habe. Wenn Sie über viele Text- oder Bilddaten verfügen und ein benutzerdefiniertes Empfehlungssystem erstellen möchten, würde ich mich freuen, von Ihnen zu hören. Bitte kontaktieren Sie mich hier oder schreiben Sie unten einen Kommentar.
Tauchen Sie ein in die Welt der Natürlichen Sprachverarbeitung! Entdecken Sie modernste NLP-Rollen, die zu Ihren Fähigkeiten und Leidenschaften passen.
NLP-Jobs entdeckenMittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.
Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.
Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.
What we can do for you