פקטוריזציה מטריצתית מקסימלית עמוקה של מרווח

מדוע הצעות חכמות יותר חשובות

מלילות סרטים ועד קניות מקוונות, אנו סומכים על פלטפורמות דיגיטליות כדי לנחש מה עשוי לעניין אותנו בהמשך. הניחושים האלה נובעים מאלגוריתמי המלצה שלומדים מהבחירות והדירוגים שלנו בעבר. אך הטעמים של אנשים מבולבלים לעתים ועשויים לעקוף דפוסים פשוטים. מאמר זה מציג דרך חדשה למודל את הטעמים המעורפלים האלה, הנקראת פקטוריזציה מטריצתית מקסימלית עמוקה (Deep MMMF), שמטרתה להפוך נתוני דירוג חלקיים ומפוזרים להמלצות חדות ואמינות יותר.

איך מערכות המלצה עובדות בדרך כלל היום

רבים ממערכות ההמלצה המודרניות בנויים סביב טכניקה שנקראת פקטוריזציה מטריצתית. דמיינו טבלה ענקית שבה השורות הן משתמשים, העמודות הן פריטים, וכל תא מכיל דירוג אם קיים. פקטוריזציה מטריצתית דוחסת את הטבלה העצומה והמטושטשת הזאת לשתי מפות קטנות יותר: אחת מתארת העדפות חבויות של משתמשים, והשנייה מתארת מאפיינים חבויים של פריטים. כאשר המערכת רוצה לחזות כיצד משתמש עשוי לדרג פריט שלא נצפה, היא משלבת את וקטור ההעדפות החבוי של המשתמש עם וקטור המאפיינים של הפריט והופכת זאת לציון. וריאציות קלאסיות של הרעיון הזה הניעו מערכות מוכרות לסרטים, מוצרים ומוזיקה.

מפונקציות ישרות להעדפות מעוקלות

שיטה משפיעה אחת, פקטוריזציה מטריצתית מקסימלית של מרווח (MMMF), הולכת צעד קדימה על ידי התייחסות לדירוגים כקטגוריות ממוינות: כוכב אחד גרוע משני, ושני גרוע משלושה, וכן הלאה. MMMF מדמיינת ייצוגי פריטים כנקודות במרחב ואת המשתמשים כמשטחים חותכים שטוחים (היפר-מישורים) שמחלקים את המרחב לאזורי דירוג. לכל אזור מתאים רמת דירוג שונה, והשיטה דוחפת את המשטחים המפרידים הללו הרחק זה מזה כדי להפחית בלבול בין דירוגים סמוכים. עם זאת, כיוון שאותם משטחים נדרשים להיות שטוחים ומקבילים, המודל יכול לבטא רק דפוסי טעם פשוטים וכמעט ליניאריים.

מבט עמוק יותר על טעמים ופריטים

העדפות אמיתיות נדירות כל כך פשוטות. שקלו שלושה צופים: אחד שאוהב סרטים מאוזנים עם אקשן מתון, אחר שרוצה אקשן גבוה אך עוצמה נמוכה, ושלישי שנהנה מכל סרט עם אקשן גבוה. התנהגויות כאלה יוצרות גבולות מעוקלים ובלתי סדירים במרחב הסרטים, לא פרוסות מקבילות מסודרות. Deep MMMF מתמודד עם זה על ידי שמירה על עמוד השדרה המוכר של MMMF אך הצבת רשתות נוירוניות עמוקות מעל הייצוגים הקשורים למשתמשים, לפריטים ולספי דירוג. ראשית, המודל בונה אגדות קומפקטיות סטנדרטיות למשתמשים, לפריטים ולספי דירוג, בדיוק כמו ב‑MMMF. לאחר מכן, מודולים נפרדים של נוירונים ממירים כל אחד מהייצוגים הללו דרך שכבות של פונקציות לא־ליניאריות, מעקמות את גבולות הדירוג לצורות עשירות יותר מבלי להגדיל את מספר הממדים החבויים.

מה הניסויים מגלים

המחברים בוחנים את Deep MMMF על שלוש קבוצות נתונים פופולריות: MovieLens 1M, EachMovie, וסט מוצרי Amazon Prime Pantry. הם בודקים שתי מצבים. בהכללה חלשה, המערכת חוזה דירוגים לזוגות משתמש–פריט שמוסרים אך גם המשתמשים וגם הפריטים נראו במהלך האימון. בהכללה חזקה, המערכת מתמודדת עם משתמשים חדשים לחלוטין שלדירוגיהם בעבר לא שימשו להתאמת המודל הראשי, ולכן עליה להסיק את טעמם במהירות מאפס. בשני המצבים ובכל קבוצות הנתונים, Deep MMMF מפיק בעקביות שגיאות חיזוי נמוכות יותר מאוסף נרחב של שיטות מובילות, כולל MMMF הקלאסי, מודלים פרובביליסטיים לפקטוריזציה, ומספר שיטות למידה עמוקה להמלצה. מבחנים סטטיסטיים מאשרים שהשיפורים הללו אינם נובעים ממקריות.

מדוע הגישה הזו מבטיחה

על ידי שמירה על גודל הייצוגים החבויים המקורי והוספת טרנספורמציות לא־ליניאריות וגמישות, Deep MMMF מפריד בצורה בהירה בין "יותר ממדים" ל־"פונקציות בעלות יותר הבעה". זה מקל להבחין שההשגים נובעים באמת משיפור בדגם דפוסי טעם מורכבים ולא רק מהמון פרמטרים. התוצאות מרמזות שמערכות המלצה יכולות לכבד טוב יותר את הסדר הטבעי של הדירוגים ואת טבעם הסבוך של ההעדפות האנושיות מבלי לוותר על פרשנות או יעילות. במונחים מעשיים, פירוש הדבר שמערכות המלצה עתידיות המובנות על רעיונות כמו Deep MMMF עשויות לספק הצעות מדויקות וממותאמות אישית יותר בסרטים, בקניות ועוד, במיוחד כאשר טעמי המשתמשים אינם נעים בקווים ישרים פשוטים.

ציטוט: Kumar, S., Kagita, V.R., Kumar, V. et al. Deep maximum margin matrix factorization. Sci Rep 16, 14518 (2026). https://doi.org/10.1038/s41598-026-44839-0

מילות מפתח: מערכות המלצה, סינון שיתופי, למידה עמוקה, פקטוריזציה מטריצתית, דירוגי משתמשים