Derin maksimum marjin matris çarpanına ayırma

Neden daha akıllı öneriler önemli

Film gecelerinden çevrimiçi alışverişe kadar, bir sonraki neyi beğenebileceğimizi tahmin etmek için dijital platformlara güveniyoruz. Bu tahminler, geçmiş seçimlerimizden ve puanlamalarımızdan öğrenen öneri algoritmalarından geliyor. Ancak insanların zevkleri düzensizdir ve nadiren basit bir örüntü izler. Bu makale, dağınık ve kısmi puanlama verilerini daha keskin, daha güvenilir önerilere dönüştürmeyi amaçlayan Derin Maksimum Marjin Matris Çarpanına Ayırma (Deep MMMF) adlı, bu düzensiz zevkleri modellemenin yeni bir yolunu tanıtıyor.

Bugünün öneri sistemleri genelde nasıl çalışır

Birçok modern öneri sistemi matris çarpanına ayırma adlı bir tekniğin etrafında kurulur. Satırların kullanıcıları, sütunların öğeleri temsil ettiği ve her hücrenin varsa bir puan tuttuğu devasa, seyrek bir tablo hayal edin. Matris çarpanına ayırma bu büyük, seyrek tabloyu iki küçük haritaya sıkıştırır: biri kullanıcıların gizli tercihlerini, diğeri öğelerin gizli özelliklerini açıklar. Sistem bir kullanıcının görülmemiş bir öğeyi nasıl puanlayacağını tahmin etmek istediğinde, kullanıcının gizli tercih vektörünü öğenin gizli özellik vektörüyle birleştirir ve bunu bir skora dönüştürür. Bu fikrin klasik varyantları filmler, ürünler ve müzik için bilinen sistemleri güçlendirmiştir.

Düz çizgilerden eğri tercihlere

Etkili bir yöntem olan Maksimum Marjin Matris Çarpanına Ayırma (MMMF), puanlamaları sıralı kategoriler olarak ele alarak bir adım öteye gider: bir yıldız iki yıldızdan, iki yıldız üç yıldan daha kötüdür vb. MMMF, öğe temsillerini uzaydaki noktalarmış gibi ve kullanıcıları bu uzayı puan bölgelerine bölen düz kesme yüzeyleri (hiperdüzlemler) olarak hayal eder. Her bölge farklı bir puan seviyesine karşılık gelir ve yöntem komşu puanlamalar arasındaki karışıklığı azaltmak için bu ayırıcı yüzeyleri birbirinden mümkün olduğunca uzak tutar. Ancak bu yüzeylerin düz ve paralel olması gerektiği için model yalnızca basit, yaklaşık doğrusal zevk örüntülerini ifade edebilir.

Ze v ve öğelerin daha derin bir görünümü

Gerçek tercihler nadiren bu kadar basittir. Dengeli, orta şiddette aksiyon filmlerini seven bir izleyici; yüksek aksiyon ama düşük yoğunluk isteyen başka bir izleyici; ve her yüksek aksiyon filmini seven üçüncü bir izleyiciyi düşünün. Bu tür davranışlar, filmler uzayında düzgün paralel dilimler değil, eğri ve düzensiz sınırlar çizer. Deep MMMF, MMMF'nin tanıdık omurgasını koruyup kullanıcı, öğe ve puan eşiği ile ilişkili temsillerin üzerine derin sinir ağları yerleştirerek bunu ele alır. İlk olarak model, MMMF gibi kullanıcılar, öğeler ve puan eşikleri için standart sıkıştırılmış gömme (embedding) temsilleri oluşturur. Ardından ayrı sinir modülleri, her bir gömme temsilini doğrusal olmayan fonksiyon katmanları aracılığıyla dönüştürerek puan sınırlarını gizli boyut sayısını artırmadan daha zengin şekillere büker.

Deneyler ne gösteriyor

Yazarlar Deep MMMF'yi üç popüler veri setinde test ediyor: MovieLens 1M, EachMovie ve bir Amazon Prime Pantry ürün kümesi. İki durumu inceliyorlar. Zayıf genelleştirmede sistem, tutulmuş ancak eğitim sırasında hem kullanıcıları hem de öğeleri görülen kullanıcı–öğe çiftleri için puanları tahmin eder. Güçlü genelleştirmede ise sistem, geçmiş puanlamaları ana modeli uyarlamada kullanılmayan tamamen yeni kullanıcılarla karşılaşır; bu nedenle zevklerini sıfırdan hızla çıkarımı yapması gerekir. Her iki durumda ve tüm veri setlerinde Deep MMMF, klasik MMMF, olasılıksal çarpan modelleri ve birkaç derin öğrenme tabanlı önerici dahil olmak üzere önde gelen yöntemlerin geniş bir koleksiyonuna göre tutarlı şekilde daha düşük tahmin hataları üretiyor. İstatistiksel testler bu iyileşmelerin tesadüfi olmadığını doğruluyor.

Bu yaklaşım neden umut verici

Gizli temsillerin orijinal boyutunu korurken esnek, doğrusal olmayan dönüşümler ekleyerek Deep MMMF “daha fazla boyut” ile “daha ifade edici fonksiyonlar” ayrımını net bir şekilde yapıyor. Bu, kazançların gerçekten daha büyük bir modelden ziyade karmaşık zevk örüntülerini daha iyi modellemekten gelip gelmediğini görmeyi kolaylaştırır. Sonuçlar, öneri sistemlerinin puanlamaların doğal sıralamasına ve insan tercihlerinin dolanık doğasına, yorumlanabilirlikten veya verimlilikten ödün vermeden daha iyi saygı gösterebileceğini öne sürüyor. Pratikte bu, Deep MMMF benzeri fikirlerle inşa edilen gelecekteki önericilerin, özellikle kullanıcı zevkleri basit düz çizgiler izlemediğinde, filmler, alışveriş ve ötesinde daha doğru, kişiselleştirilmiş öneriler sunabileceği anlamına geliyor.

Atıf: 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

Anahtar kelimeler: öneri sistemleri, kolaboratif filtreleme, derin öğrenme, matris çarpanına ayırma, kullanıcı puanlamaları