အကြံပြုချက်ရွေးချယ်ရာတွင် အရည်အသွေးနှင့် အရှိန်အဟုန်ဖြင့် ကျွန်ုပ်တို့ မည်သို့လုပ်ဆောင်မည်နည်း။

ကျွန်ုပ်အမည် Pavel Parkhomenko ဖြစ်ပါသည်၊ ကျွန်ုပ်သည် ML developer တစ်ဦးဖြစ်သည်။ ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်သည် Yandex.Zen ဝန်ဆောင်မှု၏ ဖွဲ့စည်းပုံအကြောင်း ဆွေးနွေးပြီး နည်းပညာပိုင်းဆိုင်ရာ တိုးတက်မှုများကို မျှဝေလိုသည်၊ အကြံပြုချက်များ၏ အရည်အသွေးကို တိုးမြှင့်နိုင်စေသည့် အကောင်အထည်ဖော်မှုကို မျှဝေလိုပါသည်။ ဤပို့စ်မှ မီလီစက္ကန့်အနည်းငယ်အတွင်း စာရွက်စာတမ်း သန်းပေါင်းများစွာကြားတွင် အသုံးပြုသူအတွက် အသက်ဆိုင်ဆုံးအရာများကို သင်မည်သို့ရှာဖွေရမည်ကို လေ့လာနိုင်မည်ဖြစ်ပါသည်။ စာရွက်စာတမ်းအသစ်များသည် မိနစ်ဆယ်ဂဏန်းအတွင်း ၎င်းတို့၏ vector ကိုရရှိစေရန် (ကော်လံသန်းပေါင်းများစွာနှင့် အတန်းပေါင်း သန်းဆယ်နှင့်ချီပါဝင်သော) ကြီးမားသော matrix ကို စဉ်ဆက်မပြတ်ပြိုကွဲအောင်ပြုလုပ်နည်း။ ဗီဒီယိုအတွက် ကောင်းသော vector ကိုယ်စားပြုမှုရရန် သုံးစွဲသူ-ဆောင်းပါး matrix ပြိုကွဲမှုကို ပြန်လည်အသုံးပြုနည်း။

ကျွန်ုပ်တို့၏ အကြံပြုချက်ဒေတာဘေ့စ်တွင် ပုံစံအမျိုးမျိုးရှိသော စာရွက်စာတမ်း သန်းပေါင်းများစွာပါရှိသည်- ကျွန်ုပ်တို့၏ပလပ်ဖောင်းပေါ်တွင် ဖန်တီးထားသော စာသားဆောင်းပါးများနှင့် ပြင်ပဆိုက်များ၊ ဗီဒီယိုများ၊ ဇာတ်ကြောင်းများနှင့် ပို့စ်တိုများမှ ကူးယူပါသည်။ ထိုသို့သော ဝန်ဆောင်မှု ဖွံ့ဖြိုးတိုးတက်မှုသည် နည်းပညာဆိုင်ရာ စိန်ခေါ်မှုများစွာနှင့် ဆက်စပ်နေသည်။ ဤတွင် ၎င်းတို့ထဲမှ အချို့မှာ-

• ကွန်ပြူတာလုပ်ဆောင်စရာများကို ပိုင်းခြားပါ- လေးလံသောလုပ်ဆောင်မှုများအားလုံးကို အော့ဖ်လိုင်းဖြင့်လုပ်ဆောင်ပြီး 100-200 ms ကို တာဝန်ယူနိုင်ရန် မော်ဒယ်များ၏ အမြန်အသုံးချမှုကို အချိန်နှင့်တပြေးညီ လုပ်ဆောင်ပါ။
• အသုံးပြုသူ၏လုပ်ဆောင်ချက်များကို အမြန်ထည့်သွင်းပါ။ ဒီလိုလုပ်ဖို့၊ အဖြစ်အပျက်အားလုံးကို အကြံပြုသူထံ ချက်ချင်းပို့ပေးပြီး မော်ဒယ်တွေရဲ့ ရလဒ်တွေကို လွှမ်းမိုးဖို့ လိုအပ်တယ်။
• အသုံးပြုသူအသစ်များအတွက် ၎င်းတို့၏ အပြုအမူနှင့် လိုက်လျောညီထွေဖြစ်စေရန် ဖိဒ်ကို ပြုလုပ်ပါ။ စနစ်တွင် ပါဝင်ပြီးသားသူများသည် ၎င်းတို့၏ အကြံပြုချက်သည် အကြံပြုချက်များကို လွှမ်းမိုးသည်ဟု ခံစားရပါမည်။
• ဆောင်းပါးအသစ်ကို မည်သူ့ကို အကြံပြုရမည်ကို မြန်မြန်နားလည်ပါ။
• အကြောင်းအရာအသစ်များ အဆက်မပြတ်ထွက်ပေါ်လာခြင်းအတွက် လျင်မြန်စွာ တုံ့ပြန်ပါ။ သောင်းနှင့်ချီသော ဆောင်းပါးများကို နေ့စဉ် ထုတ်ဝေနေပြီး ၎င်းတို့ထဲမှ အများစုမှာ သက်တမ်း အကန့်အသတ်ရှိသည် (ပြော၊ သတင်း)။ ဤအရာသည် ၎င်းတို့ကို ဖန်တီးရန် ရုပ်ရှင်များ၊ ဂီတနှင့် အခြားသော တာရှည်ခံပြီး တန်ဖိုးကြီးသော အကြောင်းအရာများနှင့် ကွဲပြားသည်။
• ဒိုမိန်းတစ်ခုမှ အခြားနယ်ပယ်တစ်ခုသို့ အသိပညာကို လွှဲပြောင်းပါ။ အကြံပြုချက်စနစ်တစ်ခုသည် စာသားဆောင်းပါးများအတွက် လေ့ကျင့်ပေးထားသော မော်ဒယ်များကို လေ့ကျင့်ပေးထားပြီး ၎င်းတွင် ဗီဒီယိုထည့်ပါက၊ အကြောင်းအရာအသစ်သည် အဆင့်ပိုကောင်းစေရန် ရှိပြီးသားမော်ဒယ်များကို ပြန်လည်အသုံးပြုနိုင်ပါသည်။

ဒီပြဿနာတွေကို ဘယ်လိုဖြေရှင်းခဲ့တယ်ဆိုတာ ပြောပြမယ်။

ကိုယ်စားလှယ်လောင်းများ ရွေးချယ်ခြင်း။

အဆင့်သတ်မှတ်ခြင်း၏အရည်အသွေးမှာ ယိုယွင်းမှုလုံးဝမရှိဘဲ ထောင်ပေါင်းများစွာသော မီလီစက္ကန့်အနည်းငယ်အတွင်း ထည့်သွင်းစဉ်းစားထားသည့် စာရွက်စာတမ်းအရေအတွက်ကို မည်သို့လျှော့ချနိုင်မည်နည်း။

ကျွန်ုပ်တို့သည် ML မော်ဒယ်များစွာကို လေ့ကျင့်သင်ကြားပြီး ၎င်းတို့အပေါ်အခြေခံ၍ အင်္ဂါရပ်များကို ဖန်တီးကာ အသုံးပြုသူအတွက် စာရွက်စာတမ်းများကို အဆင့်သတ်မှတ်ပေးသည့် အခြားမော်ဒယ်များကို လေ့ကျင့်ပေးသည်ဆိုပါစို့။ အားလုံးအဆင်ပြေလိမ့်မည်၊ သို့သော် သင်သည် စာရွက်စာတမ်းအားလုံးအတွက် နိမိတ်လက္ခဏာအားလုံးကို အချိန်နှင့်တပြေးညီတွက်ချက်ရုံမျှမက၊ ဤစာရွက်စာတမ်းများသန်းပေါင်းများစွာရှိနေပါက၊ အကြံပြုချက်များအား 100-200 ms ဖြင့်တည်ဆောက်ရန်လိုအပ်ပါသည်။ လုပ်ငန်းမှာ အသုံးပြုသူအတွက် အဆင့်သတ်မှတ်မည့် သန်းပေါင်းများစွာထဲမှ အချို့သော အစုခွဲတစ်ခုကို ရွေးချယ်ရန်ဖြစ်သည်။ ဤအဆင့်ကို အများအားဖြင့် ကိုယ်စားလှယ်လောင်းရွေးချယ်ခြင်းဟု ခေါ်သည်။ ၎င်းအတွက် လိုအပ်ချက်များစွာရှိပါသည်။ ပထမဦးစွာ၊ ရွေးချယ်မှုသည်အလွန်လျင်မြန်စွာဖြစ်ပေါ်ရမည်ဖြစ်ပြီး၊ ထို့ကြောင့်အဆင့်သတ်မှတ်ချက်အတွက်တတ်နိုင်သမျှအချိန်ကျန်ခဲ့သည်။ ဒုတိယအနေနှင့်၊ အဆင့်သတ်မှတ်ရန်အတွက် စာရွက်စာတမ်းအရေအတွက်ကို အလွန်လျှော့ချခြင်းဖြင့် သုံးစွဲသူနှင့် သက်ဆိုင်သည့် စာရွက်စာတမ်းများကို တတ်နိုင်သမျှ လုံးလုံးထိန်းသိမ်းထားရမည်ဖြစ်သည်။

ကျွန်ုပ်တို့၏ ကိုယ်စားလှယ်လောင်းရွေးချယ်ခြင်းဆိုင်ရာ နိယာမသည် ပြောင်းလဲလာခဲ့ပြီး ယခုအချိန်တွင် ကျွန်ုပ်တို့သည် အဆင့်ပေါင်းများစွာ အစီအစဥ်တစ်ခုသို့ ရောက်ရှိလာပြီဖြစ်သည်-

ပထမအချက်၊ စာရွက်စာတမ်းအားလုံးကို အုပ်စုများအဖြစ် ပိုင်းခြားထားပြီး လူကြိုက်အများဆုံးစာရွက်စာတမ်းများကို အုပ်စုတစ်ခုစီမှ ယူဆောင်သွားပါသည်။ အုပ်စုများသည် ဆိုက်များ၊ အကြောင်းအရာများ၊ အစုအဝေးများ ဖြစ်နိုင်သည်။ အသုံးပြုသူတစ်ဦးစီအတွက်၊ ၎င်း၏သမိုင်းကိုအခြေခံ၍၊ သူနှင့်အနီးဆုံးအုပ်စုများကို ရွေးချယ်ပြီး အကောင်းဆုံးစာရွက်စာတမ်းများကို ၎င်းတို့ထံမှရယူသည်။ ကျွန်ုပ်တို့သည် အချိန်နှင့်တပြေးညီ အသုံးပြုသူနှင့် အနီးစပ်ဆုံး စာရွက်စာတမ်းများကို ရွေးချယ်ရန် kNN အညွှန်းကိုလည်း အသုံးပြုပါသည်။ kNN အညွှန်းကို တည်ဆောက်ရန် နည်းလမ်းများစွာ ရှိပြီး ကျွန်ုပ်တို့၏ လုပ်ဆောင်မှုမှာ အကောင်းဆုံးဖြစ်သည်။ HNSW (အထက်အောက် သွားလာနိုင်သော ကမ္ဘာအသေးစား ဂရပ်များ)။ ၎င်းသည် သန်းပေါင်းများစွာသော ဒေတာဘေ့စ်မှ သုံးစွဲသူတစ်ဦးအတွက် N အနီးဆုံး vector များကို မီလီစက္ကန့်အနည်းငယ်အတွင်း ရှာဖွေနိုင်စေမည့် အထက်တန်းပုံစံပုံစံတစ်ခုဖြစ်သည်။ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ စာရွက်စာတမ်းဒေတာဘေ့စ်တစ်ခုလုံးကို အော့ဖ်လိုင်းဖြင့် အညွှန်းပေးပါသည်။ အညွှန်းတွင် ရှာဖွေခြင်းသည် အလွန်လျင်မြန်သောကြောင့်၊ အားကောင်းသော မြှပ်နှံမှုများစွာရှိပါက၊ သင်သည် အညွှန်းများစွာ (ထည့်သွင်းမှုတစ်ခုစီအတွက် အညွှန်းတစ်ခု) ဖန်တီးနိုင်ပြီး ၎င်းတို့တစ်ခုစီကို အချိန်နှင့်တပြေးညီ ဝင်ရောက်ကြည့်ရှုနိုင်ပါသည်။

ကျွန်ုပ်တို့တွင် သုံးစွဲသူတစ်ဦးစီအတွက် စာရွက်စာတမ်း သောင်းနှင့်ချီရှိပါသေးသည်။ ၎င်းသည် အင်္ဂါရပ်အားလုံးကို ရေတွက်ရန် များစွာကျန်နေသေးသည်၊ ထို့ကြောင့် ဤအဆင့်တွင် ကျွန်ုပ်တို့သည် ပေါ့ပါးသော အဆင့်သတ်မှတ်ခြင်း - ပေါ့ပါးလေးလံသော အဆင့်သတ်မှတ်ချက်မော်ဒယ်ကို အသုံးပြုပါသည်။ အလုပ်မှာ လေးလံသောမော်ဒယ်တွင် မည်သည့်စာရွက်စာတမ်းများ ထိပ်တွင်ရှိမည်ကို ခန့်မှန်းရန်ဖြစ်သည်။ အမြင့်ဆုံး ကြိုတင်ခန့်မှန်းနိုင်သော စာရွက်စာတမ်းများကို အဆင့်သတ်မှတ်ခြင်း၏ နောက်ဆုံးအဆင့်တွင် အကြီးစားမော်ဒယ်တွင် အသုံးပြုမည်ဖြစ်သည်။ ဤနည်းလမ်းသည် အသုံးပြုသူအတွက် ထည့်သွင်းစဉ်းစားထားသော စာရွက်စာတမ်းများ၏ ဒေတာဘေ့စ်ကို မီလီစက္ကန့် ဆယ်ဂဏန်းအတွင်း သန်းပေါင်းများစွာမှ ထောင်ပေါင်းများစွာမှ လျှော့ချနိုင်စေပါသည်။

Runtime တွင် ALS အဆင့်

ကလစ်တစ်ချက်နှိပ်ပြီးတာနဲ့ သုံးစွဲသူရဲ့ တုံ့ပြန်ချက်ကို ဘယ်လိုထည့်သွင်းမလဲ။

အကြံပြုချက်များတွင် အရေးကြီးသောအချက်မှာ သုံးစွဲသူ၏ တုံ့ပြန်ချက်အတွက် တုံ့ပြန်ချိန်ဖြစ်သည်။ အသုံးပြုသူအသစ်များအတွက် အထူးအရေးကြီးပါသည်- လူတစ်ဦးသည် အကြံပြုချက်စနစ်ကို စတင်အသုံးပြုသောအခါတွင် အကြောင်းအရာအမျိုးမျိုးရှိ စာရွက်စာတမ်းများ၏ ပုဂ္ဂိုလ်ရေးသီးသန့်မဟုတ်သော ဖိဒ်တစ်ခုကို လက်ခံရရှိမည်ဖြစ်သည်။ သူ ပထမဆုံး ကလစ်နှိပ်လိုက်သည်နှင့် သင်သည် ၎င်းကို ချက်ချင်းထည့်သွင်းစဉ်းစားပြီး သူ၏ အကျိုးစီးပွားနှင့် လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်ရန် လိုအပ်သည်။ အချက်အားလုံးကို အော့ဖ်လိုင်းတွက်ချက်ပါက၊ နှောင့်နှေးမှုကြောင့် အမြန်စနစ်တုံ့ပြန်မှု မဖြစ်နိုင်ပါ။ ထို့ကြောင့် သုံးစွဲသူ၏ လုပ်ဆောင်ချက်များကို အချိန်နှင့်တပြေးညီ လုပ်ဆောင်ရန် လိုအပ်ပါသည်။ ဤရည်ရွယ်ချက်များအတွက်၊ ကျွန်ုပ်တို့သည် အသုံးပြုသူ၏ vector ကိုယ်စားပြုမှုကို တည်ဆောက်ရန်အတွက် runtime တွင် ALS အဆင့်ကို အသုံးပြုပါသည်။

စာရွက်စာတမ်းအားလုံးအတွက် vector ပုံသဏ္ဍာန်တစ်ခုရှိသည် ဟုယူဆကြပါစို့။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် ELMo၊ BERT သို့မဟုတ် အခြားစက်သင်ယူမှုမော်ဒယ်များကို အသုံးပြု၍ ဆောင်းပါးတစ်ပုဒ်၏စာသားအပေါ် အခြေခံ၍ အော့ဖ်လိုင်းတွင် မြှုပ်နှံမှုများကို တည်ဆောက်နိုင်ပါသည်။ စနစ်အတွင်းရှိ ၎င်းတို့၏ အပြန်အလှန်တုံ့ပြန်မှုများအပေါ် အခြေခံ၍ တူညီသောနေရာရှိ သုံးစွဲသူများ၏ vector ပုံသဏ္ဍာန်ကို ကျွန်ုပ်တို့ မည်သို့ရရှိနိုင်မည်နည်း။

အသုံးပြုသူ-စာရွက်စာတမ်း matrix ၏ဖွဲ့စည်းခြင်းနှင့်ပြိုကွဲခြင်း၏အထွေထွေနိယာမm အသုံးပြုသူများနှင့် n စာရွက်စာတမ်းများ ထားရှိကြပါစို့။ အချို့သော သုံးစွဲသူများအတွက်၊ အချို့သော စာရွက်စာတမ်းများနှင့် ၎င်းတို့၏ ဆက်ဆံရေးကို သိရှိပါသည်။ ထို့နောက် ဤအချက်အလက်ကို mxn matrix အဖြစ် ကိုယ်စားပြုနိုင်သည်- အတန်းများသည် အသုံးပြုသူများနှင့် သက်ဆိုင်ပြီး၊ ကော်လံများသည် စာရွက်စာတမ်းများနှင့် သက်ဆိုင်ပါသည်။ စာရွက်စာတမ်းအများစုကို လူကမမြင်ရသေးသောကြောင့်၊ မက်ထရစ်ဆဲလ်အများစုသည် ဗလာဖြစ်နေမည်ဖြစ်ပြီး အခြားအရာများကို ဖြည့်ပေးမည်ဖြစ်သည်။ ဖြစ်ရပ်တစ်ခုစီအတွက် (အကြိုက်၊ မကြိုက်၊ ကလစ်) တန်ဖိုးအချို့ကို matrix တွင် ပေးထားသည် - သို့သော် 1 နှင့် သက်ဆိုင်သည့် ရိုးရှင်းသောပုံစံကို သုံးသပ်ကြည့်ရအောင်၊ မကြိုက်ပါက -1 နှင့် သက်ဆိုင်ပါသည်။

Matrix ကို d သည် vector ကိုယ်စားပြုမှု၏ dimension (များသောအားဖြင့် သေးငယ်သော ဂဏန်း) ဖြစ်သည့် P (mxd) နှင့် Q (dxn) တို့ကို နှစ်ခုအဖြစ် ခွဲကြည့်ကြပါစို့။ ထို့နောက် အရာဝတ္ထုတစ်ခုစီသည် d-dimensional vector (အသုံးပြုသူတစ်ဦးအတွက် - matrix P ရှိ အတန်းတစ်ခု၊ စာရွက်စာတမ်းတစ်ခုအတွက် - matrix Q ရှိ ကော်လံ) နှင့် သက်ဆိုင်ပါသည်။ ဤ vector များသည် သက်ဆိုင်ရာ အရာဝတ္တုများ၏ မြှပ်နှံမှုများ ဖြစ်လိမ့်မည်။ အသုံးပြုသူတစ်ဦးသည် စာရွက်စာတမ်းတစ်ခုကို နှစ်သက်မည်လားဟု ခန့်မှန်းရန်၊ ၎င်းတို့၏ မြှုပ်သွင်းမှုများကို ရိုးရှင်းစွာ မြှောက်နိုင်သည်။

မက်ထရစ်ကို ပြိုကွဲရန် ဖြစ်နိုင်သော နည်းလမ်းများထဲမှ တစ်ခုမှာ ALS (Alternating Least Squares) ဖြစ်သည်။ ကျွန်ုပ်တို့သည် အောက်ပါ ဆုံးရှုံးမှုလုပ်ဆောင်ချက်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ပါမည်-

ဤတွင် rui သည် document i နှင့် user u တို့၏ အပြန်အလှန်ဆက်သွယ်မှု၊ qi သည် document ၏ vector ဖြစ်ပြီး pu သည် user u ၏ vector ဖြစ်သည်။

ထို့နောက် ပျမ်းမျှစတုရန်းအမှား (fixed document vectors အတွက်) ၏ရှုထောင့်မှ အကောင်းဆုံးအသုံးပြုသူ vector ကို သက်ဆိုင်ရာ linear regression ကိုဖြေရှင်းခြင်းဖြင့် ခွဲခြမ်းစိတ်ဖြာတွေ့ရှိပါသည်။

၎င်းကို "ALS အဆင့်" ဟုခေါ်သည်။ ALS algorithm ကိုယ်တိုင်က matrices (အသုံးပြုသူများနှင့် ဆောင်းပါးများ) များထဲမှ တစ်ခုကို တလှည့်စီ ပြုပြင်ပြီး အကောင်းမွန်ဆုံး ဖြေရှင်းနည်းကို ရှာဖွေကာ အခြားတစ်ခုကို အပ်ဒိတ်လုပ်ခြင်း ဖြစ်သည်။

ကံကောင်းထောက်မစွာ၊ အသုံးပြုသူ၏ vector ကိုယ်စားပြုမှုကိုရှာဖွေခြင်းသည် vector ညွှန်ကြားချက်များကိုအသုံးပြု၍ runtime တွင်လုပ်ဆောင်နိုင်သည့်အတော်လေးမြန်ဆန်သောလုပ်ဆောင်မှုတစ်ခုဖြစ်သည်။ ဤလှည့်ကွက်သည် သင့်အား အဆင့်သတ်မှတ်ရာတွင် အသုံးပြုသူ၏တုံ့ပြန်ချက်ကို ချက်ချင်းထည့်သွင်းနိုင်စေပါသည်။ ကိုယ်စားလှယ်လောင်းရွေးချယ်မှု ပိုမိုကောင်းမွန်လာစေရန် တူညီသောထည့်သွင်းမှုကို kNN အညွှန်းတွင် သုံးနိုင်သည်။

ဖြန့်ဝေထားသော ပူးပေါင်းဆောင်ရွက်မှု စီစစ်ခြင်း။

တိုးမြှင်ဖြန့်ဝေသည့် matrix ကို ခွဲခြမ်းစိတ်ဖြာခြင်းအား မည်သို့ပြုလုပ်ပြီး ဆောင်းပါးအသစ်များ၏ vector ကိုယ်စားပြုမှုများကို အမြန်ရှာနိုင်မည်နည်း။

အကြောင်းအရာသည် အကြံပြုချက်အချက်ပြမှုများ၏ တစ်ခုတည်းသောအရင်းအမြစ်မဟုတ်ပါ။ နောက်ထပ်အရေးကြီးသောအရင်းအမြစ်မှာ ပူးပေါင်းဆောင်ရွက်သည့်အချက်အလက်များဖြစ်သည်။ အသုံးပြုသူ-စာရွက်စာတမ်း matrix ၏ပြိုကွဲခြင်းမှ ကောင်းမွန်သော အဆင့်သတ်မှတ်ခြင်းအင်္ဂါရပ်များကို အစဉ်အလာအားဖြင့် ရရှိနိုင်သည်။ ဒါပေမယ့် အဲဒီလို ပြိုကွဲအောင်လုပ်ဖို့ ကြိုးစားတဲ့အခါ ပြဿနာတွေနဲ့ ကြုံခဲ့ရတယ်။

1. ကျွန်ုပ်တို့တွင် စာရွက်စာတမ်း သန်းပေါင်းများစွာနှင့် သုံးစွဲသူ သန်းဆယ်ဂဏန်းရှိသည်။ matrix သည် စက်တစ်ခုတည်းတွင် လုံးလုံးလျားလျား အံဝင်ခွင်ကျမဖြစ်ဘဲ ပြိုကွဲပျက်စီးရန် အချိန်အတော်ကြာပါသည်။
2. စနစ်အတွင်းရှိ အကြောင်းအရာအများစုသည် သက်တမ်းတိုသည်- စာရွက်စာတမ်းများသည် နာရီအနည်းငယ်သာ သက်ဆိုင်ပါသည်။ ထို့ကြောင့် ၎င်းတို့၏ vector ကိုယ်စားပြုမှုကို တတ်နိုင်သမျှ မြန်မြန်တည်ဆောက်ရန် လိုအပ်ပါသည်။
3. စာရွက်စာတမ်းကို လွှင့်တင်ပြီးပြီးချင်း ပြိုကွဲပျက်စီးမှုကို တည်ဆောက်ပါက၊ လုံလောက်သော အသုံးပြုသူအရေအတွက်သည် ၎င်းကို အကဲဖြတ်ရန် အချိန်ရှိမည်မဟုတ်ပါ။ ထို့ကြောင့် ၎င်း၏ vector ကိုယ်စားပြုမှုသည် အလွန်ကောင်းမွန်ဖွယ်မရှိပါ။
4. အသုံးပြုသူတစ်ဦးက ကြိုက်သည် သို့မဟုတ် မကြိုက်ပါက၊ ဤအရာကို ပြိုကွဲပျက်စီးမှုတွင် ချက်ချင်းထည့်သွင်းစဉ်းစားနိုင်မည်မဟုတ်ပေ။

ဤပြဿနာများကိုဖြေရှင်းရန်၊ ကျွန်ုပ်တို့သည် မကြာခဏ တိုးမြှင့်မွမ်းမံမှုများဖြင့် အသုံးပြုသူ-စာရွက်စာတမ်း matrix ၏ ဖြန့်ဝေမှုပြိုကွဲမှုကို အကောင်အထည်ဖော်ခဲ့သည်။ အတိအကျ ဘယ်လိုအလုပ်လုပ်သလဲ။

ကျွန်ုပ်တို့တွင် N စက်များ အစုအဝေးတစ်ခုရှိသည်ဆိုပါစို့ (N သည် ရာနှင့်ချီသော) ရှိပြီး စက်တစ်လုံးတွင် မကိုက်ညီသော ၎င်းတို့အပေါ် ဖြန့်ကျက်ထားသော matrix တစ်ခု၏ ကွဲအက်မှုကို ပြုလုပ်လိုပါသည်။ မေးခွန်းမှာ တစ်ဖက်တွင် စက်တစ်ခုစီတွင် ဒေတာအလုံအလောက်ရှိပြီး အခြားတစ်ဖက်တွင် တွက်ချက်မှုများသည် အမှီအခိုကင်းစေရန် ဤပြိုကွဲပျက်စီးမှုကို မည်သို့လုပ်ဆောင်ရမည်နည်း။

အထက်တွင်ဖော်ပြထားသော ALS ပြိုကွဲခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ကို ကျွန်ုပ်တို့ အသုံးပြုပါမည်။ ALS အဆင့်တစ်ဆင့်ကို ဖြန့်ဝေသည့်ပုံစံဖြင့် မည်သို့လုပ်ဆောင်ရမည်ကို ကြည့်ကြပါစို့ - ကျန်အဆင့်များသည် ဆင်တူပါမည်။ ကျွန်ုပ်တို့တွင် စာရွက်စာတမ်းများ၏ ပုံသေ matrix တစ်ခုရှိပြီး သုံးစွဲသူများ၏ matrix တစ်ခုကို တည်ဆောက်လိုသည်ဆိုကြပါစို့။ ၎င်းကိုပြုလုပ်ရန်၊ ၎င်းကို N အပိုင်းများအဖြစ် မျဉ်းကြောင်းများ ပိုင်းခြားပြီး အပိုင်းတစ်ခုစီတွင် ခန့်မှန်းခြေအားဖြင့် တူညီသော လိုင်းအရေအတွက်များပါရှိသည်။ သက်ဆိုင်ရာအတန်းများ၏ အလွတ်မဟုတ်သော ဆဲလ်တစ်ခုစီသို့ ပေးပို့မည်ဖြစ်ပြီး၊ စာရွက်စာတမ်းထည့်သွင်းမှုများ၏ matrix (လုံးလုံး) ကို ပေးပို့ပါမည်။ ၎င်း၏အရွယ်အစားသည် အလွန်မကြီးဘဲ အသုံးပြုသူ-စာရွက်စာတမ်း မက်ထရစ်သည် အများအားဖြင့် အလွန်ကျဲသောကြောင့်၊ ဤဒေတာသည် ပုံမှန်စက်တစ်လုံးတွင် အံဝင်ခွင်ကျဖြစ်လိမ့်မည်။

ပုံသေ matrix ကို တစ်ခုပြီးတစ်ခုပြောင်းကာ မော်ဒယ်များ ပေါင်းစည်းသွားသည်အထိ ဤလှည့်ကွက်ကို ခေတ်ပေါင်းများစွာတွင် ထပ်ခါထပ်ခါ ပြုလုပ်နိုင်ပါသည်။ သို့သော်ငြားလည်း၊ matrix ပြိုကွဲမှုသည် နာရီပေါင်းများစွာ ကြာနိုင်သည်။ ၎င်းသည် စာရွက်စာတမ်းအသစ်များကို လျင်မြန်စွာလက်ခံရရှိရန်နှင့် မော်ဒယ်တည်ဆောက်ရာတွင် အချက်အလက်အနည်းငယ်သာရှိသည့်အရာများ၏ မြှပ်နှံမှုများကို အပ်ဒိတ်လုပ်ရန် လိုအပ်သည့်ပြဿနာကို ၎င်းမှဖြေရှင်းမည်မဟုတ်ပါ။

လျင်မြန်စွာ တိုးမြင့်လာသော မော်ဒယ်အပ်ဒိတ်များကို မိတ်ဆက်ခြင်းသည် ကျွန်ုပ်တို့ကို ကူညီပေးခဲ့ပါသည်။ ကျွန်ုပ်တို့တွင် လက်ရှိလေ့ကျင့်နေသည့် မော်ဒယ်တစ်ခုရှိသည် ဆိုကြပါစို့။ သူမ၏ သင်တန်းချိန်မှစ၍၊ ကျွန်ုပ်တို့၏အသုံးပြုသူများနှင့် အပြန်အလှန်တုံ့ပြန်သည့် ဆောင်းပါးအသစ်များအပြင် လေ့ကျင့်ရေးကာလအတွင်း အပြန်အလှန်တုံ့ပြန်မှုအနည်းငယ်သာရှိသော ဆောင်းပါးများလည်း ရှိခဲ့ပါသည်။ ထိုကဲ့သို့သော ဆောင်းပါးများ၏ မြှုပ်နှံမှုများကို လျင်မြန်စွာ ရရှိရန်၊ ကျွန်ုပ်တို့သည် မော်ဒယ်၏ ပထမဆုံး လေ့ကျင့်မှုကြီးအတွင်း ရရှိသော အသုံးပြုသူ မြှုပ်နှံမှုများကို အသုံးပြုပြီး ပုံသေအသုံးပြုသူမက်ထရစ်ကို ပေးထားသည့် စာရွက်စာတမ်း matrix ကို တွက်ချက်ရန် ALS အဆင့်တစ်ခုကို လုပ်ဆောင်ပါသည်။ ၎င်းသည် သင့်အား မြှုပ်နှံမှုများကို လျင်မြန်စွာ လက်ခံနိုင်စေသည် - စာရွက်စာတမ်းကို ထုတ်ဝေပြီး မိနစ်အနည်းငယ်အတွင်း - နှင့် မကြာသေးမီက စာရွက်စာတမ်းများ၏ ထည့်သွင်းမှုများကို မကြာခဏ အပ်ဒိတ်လုပ်ပါ။

လူသား၏လုပ်ဆောင်ချက်များကို ချက်ခြင်းထည့်သွင်းစဉ်းစားရန် အကြံပြုချက်များပြုလုပ်ရန်၊ runtime တွင် အော့ဖ်လိုင်းမှရရှိသော အသုံးပြုသူထည့်သွင်းခြင်းကို ကျွန်ုပ်တို့အသုံးမပြုပါ။ ယင်းအစား၊ ကျွန်ုပ်တို့သည် ALS အဆင့်ကို လုပ်ဆောင်ပြီး အမှန်တကယ် အသုံးပြုသူ vector ကို ရယူပါ။

အခြားဒိုမိန်းဧရိယာသို့ လွှဲပြောင်းပါ။

ဗီဒီယိုတစ်ခု၏ vector ပုံသဏ္ဍာန်ကိုတည်ဆောက်ရန် စာသားဆောင်းပါးများတွင် အသုံးပြုသူတုံ့ပြန်ချက်ကို မည်သို့အသုံးပြုရမည်နည်း။

အစပိုင်းတွင်၊ ကျွန်ုပ်တို့သည် စာသားဆောင်းပါးများကိုသာ အကြံပြုထားသောကြောင့် ကျွန်ုပ်တို့၏ အယ်လဂိုရီသမ်များကို ဤအကြောင်းအရာအမျိုးအစားနှင့် အံဝင်ခွင်ကျဖြစ်အောင် ပြုလုပ်ထားသည်။ သို့သော် အခြားအကြောင်းအရာအမျိုးအစားများကို ပေါင်းထည့်သောအခါ၊ မော်ဒယ်များကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ရန် လိုအပ်မှုနှင့် ရင်ဆိုင်ခဲ့ရသည်။ ဗီဒီယိုနမူနာကို အသုံးပြု၍ ဤပြဿနာကို ကျွန်ုပ်တို့ မည်သို့ဖြေရှင်းခဲ့သနည်း။ ရွေးချယ်ခွင့်တစ်ခုမှာ မော်ဒယ်အားလုံးကို အစမှ ပြန်လေ့ကျင့်ရန်ဖြစ်သည်။ သို့သော် ၎င်းသည် အချိန်ကြာမြင့်ပြီး အချို့သော အယ်လဂိုရီသမ်များသည် ဝန်ဆောင်မှု၏ ပထမဆုံးအခိုက်အတန့်တွင် အကြောင်းအရာအသစ်အတွက် လိုအပ်သောပမာဏတွင် မရရှိနိုင်သေးသည့် လေ့ကျင့်ရေးနမူနာ၏ အရွယ်အစားအတွက် တောင်းဆိုနေပါသည်။

ကျွန်ုပ်တို့သည် အခြားတစ်ဖက်သို့သွားကာ ဗီဒီယိုအတွက် စာသားပုံစံများကို ပြန်လည်အသုံးပြုခဲ့သည်။ တူညီသော ALS လှည့်ကွက်သည် ဗီဒီယိုများ၏ ပုံသဏ္ဍာန်များကို ဖန်တီးနိုင်စေခဲ့သည်။ စာသားဆောင်းပါးများကို အခြေခံ၍ အသုံးပြုသူများ၏ ပုံသဏ္ဍာန်ကို ရယူပြီး ဗီဒီယိုကြည့်ရှုမှု အချက်အလက်ကို အသုံးပြုကာ ALS အဆင့်ကို လုပ်ဆောင်ခဲ့သည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် ဗီဒီယို၏ ပုံသဏ္ဍာန်ကို အလွယ်တကူရရှိသည်။ နှင့် runtime တွင်ကျွန်ုပ်တို့သည်စာသားဆောင်းပါးများနှင့်ဗီဒီယို vector မှရရှိသောအသုံးပြုသူ vector အကြားနီးစပ်မှုကိုတွက်ချက်သည်။

ကောက်ချက်

အချိန်နှင့်တပြေးညီ အကြံပြုချက်စနစ်၏ အဓိကအချက်ကို ဖော်ဆောင်ရာတွင် စိန်ခေါ်မှုများစွာ ပါဝင်ပါသည်။ ဤဒေတာကို ထိထိရောက်ရောက်အသုံးပြုရန် သင်သည် ဒေတာကို လျင်မြန်စွာလုပ်ဆောင်ပြီး ML နည်းလမ်းများကို အသုံးပြုရန်လိုအပ်ပါသည်။ အနည်းဆုံးအချိန်အတွင်း သုံးစွဲသူအချက်ပြမှုများနှင့် အကြောင်းအရာယူနစ်အသစ်များကို လုပ်ဆောင်နိုင်သည့် ရှုပ်ထွေးသော ဖြန့်ဝေသည့်စနစ်များကို တည်ဆောက်ပါ။ နှင့် အခြားအလုပ်များစွာ။

လက်ရှိစနစ်တွင်၊ ကျွန်ုပ်ဖော်ပြထားသည့် ဒီဇိုင်းပုံစံ၊ အသုံးပြုသူအတွက် အကြံပြုချက်များ အရည်အသွေးသည် ၎င်း၏လုပ်ဆောင်ချက်နှင့် ဝန်ဆောင်မှုတွင် ရှိနေသည့်ကြာချိန်တို့နှင့်အတူ ကြီးထွားလာသည်။ သို့သော် ဤနေရာတွင် အဓိကအခက်အခဲမှာ ဖြစ်သည်- အကြောင်းအရာနှင့် အနည်းငယ်သာ အပြန်အလှန်အကျိုးပြုသူ၏ အကျိုးစီးပွားကို ချက်ချင်းနားလည်ရန် စနစ်အတွက် ခက်ခဲပါသည်။ သုံးစွဲသူအသစ်များအတွက် အကြံပြုချက်များကို မြှင့်တင်ခြင်းသည် ကျွန်ုပ်တို့၏ အဓိကပန်းတိုင်ဖြစ်သည်။ လူတစ်ဦးနှင့် သက်ဆိုင်သည့် အကြောင်းအရာကို ၎င်း၏ ဖိဒ်ထဲသို့ ပိုမိုမြန်ဆန်စွာ ရောက်ရှိလာစေရန်နှင့် မသက်ဆိုင်သော အကြောင်းအရာများကို ပြသနိုင်ရန် အယ်လဂိုရီသမ်များကို အကောင်းဆုံးဖြစ်အောင် ဆက်လက်လုပ်ဆောင်သွားပါမည်။

source: www.habr.com