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, werden Sie die „ähnlichen Produkte“ bemerkt haben, die Ihnen die Site nach dem Kauf empfiehlt. Manchmal sind das nicht die besten Vorschläge, aber meiner Erfahrung nach treffen sie meistens ins Schwarze.
Dies ist ein Bereich des maschinellen Lernens, der als Empfehlungssysteme bezeichnet wird.
Wie funktionieren Empfehlungssysteme? Bei Online-Händlern besteht der Standardansatz darin, riesige Matrizen auszufüllen und die Beziehungen zwischen verschiedenen Produkten herauszufinden. 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 hauptsächlich 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 Angaben dazu, wie oft sie zusammen gekauft werden. Dies ist die Grundlage für kollaboratives Filtern, einem Algorithmus für Empfehlungssysteme.
Stellen Sie sich nun vor, Sie betreiben eine Dating-Website. Vereinfachen wir das Ganze und sagen, Ihre Website bietet nur männliche und weibliche Paare an. Wie empfehlen Sie einem männlichen Benutzer, der sich gerade registriert hat, eine Frau?
Jetzt wird es knifflig: Es gibt viele Nutzer, es registrieren sich laufend neue Nutzer und die meisten Nutzer 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 „ Vektoreinbettungen“ , der wie folgt funktioniert:
Ein Dating-Empfehlungssystem könnte alle Benutzer einem Standort im Vektorraum zuordnen und Benutzer zusammenführen, die nahe beieinander liegen.
Der schwierige Teil ist natürlich, wie man von einem Profiltext und -bild zu einem Vektor gelangt. Dies ist etwas, was Convolutional Neural Networks (CNNs) sehr gut können.
Auch in anderen Branchen können Vektoreinbettungen für die Abgabe von Empfehlungen nützlich sein:
Ein Empfehlungssystem für eine Website zum Hausverkauf muss möglicherweise Text- und Bilddaten verwenden
Es gibt Standard-Empfehlungssysteme, die Sie für Online-Einzelhandel oder Filmempfehlungen verwenden können. Für text- oder bildbasierte Empfehlungen benötigen Sie jedoch eine individuelle Lösung, und deren Erstellung ist äußerst komplex.
Ich habe Fast Data Science Ltd gegründet, um Beratungsdienste in diesem Bereich anzubieten, nachdem ich 10 Jahre Erfahrung mit maschinellem Lernen auf Basis natürlicher Sprachdaten gesammelt habe. Wenn Sie viele Text- oder Bilddaten haben 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.
Entfesseln Sie das Potenzial Ihrer NLP-Projekte mit dem richtigen Talent. Veröffentlichen Sie Ihre Stelle bei uns und ziehen Sie Kandidaten an, die genauso leidenschaftlich über natürliche Sprachverarbeitung sind.
NLP-Experten einstellen
Generative KI Einführung Generative KI , ein Teilbereich der KI, verändert Branchen grundlegend und gestaltet die Zukunft. Durch die Nutzung fortschrittlicher Algorithmen kann generative KI Inhalte, Designs und Lösungen erstellen, die zuvor undenkbar waren.
Große Daten Das Aufkommen von Big Data hat ganze Branchen revolutioniert und traditionelle Geschäftsmodelle und Entscheidungsprozesse verändert. In dieser umfassenden Untersuchung gehen wir der Frage nach, was Big Data ist, welche erheblichen Auswirkungen es auf die Geschäftsstrategie hat und wie Unternehmen riesige Datenmengen nutzen können, um Innovationen voranzutreiben und sich einen Wettbewerbsvorteil zu verschaffen.
What we can do for you
