Głębokie uczenie dla dopasowywania w wyszukiwaniu i rekomendacji

Oryginalny tytuł:

Deep Learning for Matching in Search and Recommendation

Zawartość książki:

Dopasowanie, czyli pomiar trafności dokumentu do zapytania lub zainteresowania użytkownika danym przedmiotem, jest kluczowym problemem zarówno w wyszukiwaniu, jak i rekomendacji. Uczenie maszynowe zostało wykorzystane do rozwiązania tego problemu i podjęto wysiłki w celu opracowania technik głębokiego uczenia dla zadań dopasowywania w wyszukiwaniu i rekomendacji. Wraz z dostępnością dużej ilości danych, potężnych zasobów obliczeniowych i zaawansowanych technik głębokiego uczenia, głębokie uczenie w celu dopasowania staje się obecnie najnowocześniejszą technologią wyszukiwania i rekomendacji.

Kluczem do sukcesu podejścia głębokiego uczenia się jest jego silna zdolność do uczenia się reprezentacji i uogólniania dopasowanych wzorców z danych. Niniejszy przegląd stanowi systematyczne i kompleksowe wprowadzenie do modeli głębokiego dopasowania dla wyszukiwania i rekomendacji. Po pierwsze, daje ujednolicony pogląd na dopasowanie w wyszukiwaniu i rekomendacji, a rozwiązania z tych dwóch dziedzin można porównać w jednej strukturze. Następnie, badanie kategoryzuje obecne rozwiązania głębokiego uczenia się na dwa typy: metody uczenia się reprezentacji i metody uczenia się funkcji dopasowania. Opisano podstawowe problemy, a także najnowocześniejsze rozwiązania w zakresie dopasowywania zapytań do dokumentów w wyszukiwaniu i dopasowywania użytkownik-element w rekomendacjach.

Deep Learning for Matching in Search and Recommendation ma na celu pomóc badaczom zarówno ze społeczności wyszukiwania, jak i rekomendacji w dogłębnym zrozumieniu i wglądzie w przestrzenie, stymulować więcej pomysłów i dyskusji oraz promować rozwój nowych technologii. Ponieważ dopasowywanie nie ogranicza się do wyszukiwania i rekomendacji, wprowadzone tutaj technologie można uogólnić na bardziej ogólne zadanie dopasowywania obiektów z dwóch przestrzeni.