science-review.ru
Поведение пользователя достаточно абстрактная вещь, поэтому ни одна из метрик не сможет в полной мере описать мыслительные процедуры, происходящие в голове человека в процессе выбора. Но реализация работы рекомендательной системы пытается максимально точно проанализировать поведение человека, предшествующее отданию предпочтения тому или иному продукту.
Задача рекомендательной системы – проинформировать пользователя о товаре, который ему может быть наиболее интересен в данный момент времени. Клиент получает информацию, а сервис зарабатывает на предоставлении качественных требуемых услуг.
В рамках данного подхода рекомендации генерируются на основании интересов других похожих пользователей и непосредственно поведения человека, которому будет сделано предсказание.
Цель исследования: рассмотреть процесс подбора параметров рекомендательной системы. А затем проанализировать изменения качества и точности получаемых предсказаний.
Объект исследования: рекомендательные системы – это алгоритмы, которые способны распознавать такие закономерности, о существовании которых люди могут даже не подозревать.
Входные данные. В данной работе в качестве входных данных была использована база данных электронной торговли «events», ее часть представлена в таблице. Для сжатия входных данных и выделения в них зависимостей используется обработчик. Он позволяет облегчить процедуру обучения и улучшить качество прогнозирования [1–3].
Часть базы данных «events»
|
timestamp |
visitorid |
event |
itemid |
transactionid |
|
1433221332117 |
257597 |
view |
355908 |
|
|
1433224214164 |
992329 |
view |
248676 |
|
|
1433221999827 |
111016 |
view |
318965 |
|
|
1433222276276 |
599528 |
transaction |
356475 |
4000 |
Где в колонке timestamp отмечено время, а именно метка времени «юникс» – это вариант кодировки времени. Время было конвертировано таким образом для удобства работы с данным параметром. Так как юникс-время занимает меньше места, следовательно, легче обрабатывать базу в целом. К тому же его можно легко конвертировать в привычную дату.
Следующий столбец visitorid, или идентификатор пользователя – это уникальное значение каждого пользователя, которое присваивается ему в момент посещения сайта.
Далее идет столбец event, или событие – все действия пользователя можно разбить на три категории, а именно view – просмотр, addtocart – добавление в корзину и transaction – непосредственно покупка.
Столбец itemid, или идентификатор товара – это уникальный идентификатор каждого товара.
И заключительный столбец transactionid, или идентификатор покупки – это уникальное значение, присваиваемое каждой покупке.
Для наглядности рассмотрим последнюю строку таблицы. Она сообщает о том, что посетитель 599528 приобрел товар 356475, идентификатор данного события 4000, временная метка данного события 1433222276276.
Ошибка обучения. В качестве функции для вычисления ошибки обучения модели была выбрана функция кросс-энтропии, или логарифмическая функция потерь. Для вычисления ошибки обучения была выбрана данная функция, так как она позволяет измерить разницу между полученными и целевыми результатами [4; 5].
Если значение функции кросс-энтропии маленькое, следовательно, предсказание достаточно точное, если большое, то нет со- ответственно.
В случае большой величины функции ошибки необходимо ее уменьшить, для этого применяется инструмент для обновления весов нейронов optimizer с использованием метода Адам. И выполняется своеобразное обратное распространение ошибки обучения в сочетании с градиентным спуском с «импульсом» [6–8].
Предпочтение данному методу было отдано в связи с тем, что стандартный инструмент обратного распространения ошибки обучения имеет значительный недостаток при попадании в локальные минимумы, что приводит к ошибочным результатам в работе метода.
В основе метода Адам, как уже было сказано выше, заложена концепция «импульса или момента», за счет прибавления предыдущих градиентов к текущим, при слабом обновлении весов для типичных признаков и при небольшой скорости обучения [9; 10].
Результаты работы системы. Таким образом, после выполнения всех этапов обработки спроектированная система показывает результаты, представленные на рис. 1. Данный рисунок отражает предсказание, данное системой, то есть конкретные itemid, пользователю visitorid = 56. Для определения их достоверности было выполнено сравнение полученных предсказаний с целевыми данными.
Рис. 1. Сравнение полученных предсказаний с целевыми данными
Рис. 2. Изменения ошибки обучения для первой модели
Рис. 3. Значения изменения ошибки обучения и точности предсказания для первой модели
Рис. 4. График изменения точности предсказания для первой модели
Подбор параметров системы. Для подтверждения оптимальности архитектуры разработанной системы были проведены серии экспериментов, в которых изменялись ее параметры. В качестве параметров системы были выбраны следующие:
– количество нейронов в скрытом слое «hidden_dim»;
– количество слоев рекуррентной сети «number of RNN Layers»;
– количество эпох обучения «Number of epochs»;
– скорость обучения «Learning rate».
Параметрами первой модели были выбраны:
– количество нейронов в скрытом слое = 30;
– количество слоев рекуррентной сети = 1;
– количество эпох обучения = 50;
– скорость обучения = 0,05.
Результат представлен на рис. 2–4.
Параметрами второй модели были выбраны следующие:
– количество нейронов в скрытом слое = 15;
– количество слоев рекуррентной сети = 2;
– количество эпох обучения = 30;
– скорость обучения = 0,05.
Результат представлен на рис. 5–7.
Рис. 5. Изменения функции ошибки обучения во второй модели
Рис. 6. Значения изменения ошибки обучения и точности предсказания во второй модели
Рис. 7. Изменения точности предсказания во второй модели
Параметрами третьей модели были выбраны следующие:
– количество нейронов в скрытом слое = 15;
– количество слоев рекуррентной сети = 2;
– количество эпох обучения = 100;
– скорость обучения = 0,001.
Результат представлен на рис. 8–10.
Рис. 8. Изменения ошибки обучения в третьей модели
Рис. 9. Значения изменения ошибки обучения и точности предсказания в третьей модели
Рис. 10. Изменения точности предсказания в третьей модели
Согласно полученным результатам первая архитектура является оптимальной. Что и отражают полученные на основании первой модели предсказания для пользователя с visitorid = 56.
Заключение
По окончании обучения системы был произведен подбор параметров модели, для определения оптимальной архитектуры сети, основываясь на результатах, демонстрируемых полученными ошибками обучения и значениями точности предсказаний. Существует большое многообразие рекомендательных систем и алгоритмов их реализации. Но, несмотря на их пластичность, зачастую схожие системы дают значительно разнящиеся результаты, что отражается на работе системы в целом. В данном случае для разработанной системы была подобрана оптимальная архитектура для получения качественного предсказания.
Библиографическая ссылка
Крюкова Я.Э., Белов Ю.С. ПОДБОР ЗНАЧЕНИЙ ПАРАМЕТРОВ РАЗРАБОТАННОЙ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ, ОСНОВАННОЙ НА АНАЛИЗЕ ПОВЕДЕНИЯ ПОЛЬЗОВАТЕЛЕЙ В СЕТИ // Научное обозрение. Технические науки. – 2020. – № 4. – С. 46-51;URL: https://science-engineering.ru/ru/article/view?id=1302 (дата обращения: 25.04.2024).