पर लोगों द्वारा देखे जाने वाले 80% से अधिक शो प्लेटफॉर्म के के माध्यम से खोजे जाते हैं। इसका मतलब यह है कि आपकी नज़र जिस चीज़ पर पड़ती है, वह एक परिष्कृत मशीन द्वारा किए गए निर्णयों का परिणाम है। नेटफ्लिक्स अनुशंसा इंजन स्ट्रीमिंग सेवा सामग्री के भीतर बारीक धागों को देखने और दर्शकों की प्राथमिकताओं में गहराई तक जाने के लिए कृत्रिम बुद्धिमत्ता पर निर्भर करती है। और यह कहना सुरक्षित है: प्रयास का भुगतान होता है! यदि आप अभी भी वक्र के पीछे हैं लेकिन अपने ग्राहकों के आपके व्यवसाय के अनुभव को बेहतर बनाना चाहते हैं, तो पढ़ना जारी रखें। इस ब्लॉगपोस्ट में, हम अनुशंसा इंजन के निर्माण की प्रक्रिया के माध्यम से आपका मार्गदर्शन करते हैं और एआई सेवा विक्रेताओं की ओर मुड़ने से पहले आपको जो कुछ जानने की आवश्यकता है, उस पर प्रकाश डालते हैं। सिफारिश इंजन 101: विकास में प्रवेश करने से पहले जानने योग्य बातें इससे पहले कि हम एक सिफारिश इंजन बनाने के तरीके पर उतरें, आइए एक के प्रकार, उपयोग के मामलों और कार्यान्वयन विकल्पों पर गौर करें। सिफारिश इंजन के प्रकार परंपरागत रूप से, अनुशंसा प्रणाली को दो व्यापक श्रेणियों में विभाजित किया जाता है: सामग्री-आधारित फ़िल्टरिंग और सहयोगी फ़िल्टरिंग सिस्टम। सामग्री-आधारित फ़िल्टरिंग सामग्री-आधारित फ़िल्टरिंग प्रणालियाँ सामग्री की विशेषताओं या विशेषताओं के आधार पर अनुशंसाएँ उत्पन्न करती हैं। दूसरे शब्दों में, वे उन उत्पादों या सामग्री की अनुशंसा करते हैं जिन्हें उपयोगकर्ता ने पहले पसंद किया है या उनसे बातचीत की है। इस तरह, एक सिफारिश इंजन एक पाठक को "ए फेयरवेल टू आर्म्स" का सुझाव दे सकता है, जिसने "ऑल क्वाइट ऑन द वेस्टर्न फ्रंट" और "कैच -22" का आनंद लिया। लेकिन इंजन कैसे जानता है कि कौन सी वस्तुएं समान हैं? इसे समझने के लिए अनुशंसा इंजन बनाने के लिए नेटफ्लिक्स के दृष्टिकोण पर नजर डालते हैं। हालाँकि नेटफ्लिक्स की अनुशंसा प्रणाली संकर प्रकृति की है, यह काफी हद तक सामग्री समानता पर निर्भर करती है। स्ट्रीमिंग सेवा में टैगर्स की एक टीम होती है, जो हर नए कंटेंट को देखती है और उसे लेबल करती है। टैग बड़े पैमाने पर होते हैं कि कैसे एक्शन से भरपूर टुकड़ा है कि क्या यह अंतरिक्ष में सेट है या किसी विशेष अभिनेता को स्टार करता है। मशीन लर्निंग एल्गोरिदम के साथ दर्शक के व्यवहार के खिलाफ टैग डेटा का विश्लेषण करने से स्ट्रीमिंग प्लेटफॉर्म को यह पता चलता है कि प्रत्येक उपयोगकर्ता के लिए वास्तव में क्या प्रासंगिक है। सहयोगी को छानने सहयोगात्मक फ़िल्टरिंग प्रणालियाँ आधार पर अनुशंसाएँ करती हैं। ऐसी प्रणालियाँ मानती हैं कि जिन उपयोगकर्ताओं ने समान वस्तुओं का आनंद लिया है, उनके नए उत्पादों और सामग्री के समान प्रतिक्रिया करने की संभावना है। उपयोगकर्ता फ़ीडबैक के सहयोगी फ़िल्टरिंग पर निर्भर अनुशंसा इंजन बनाने के लिए दो दृष्टिकोण हैं: उपयोगकर्ता-आधारित और आइटम-आधारित। उपयोगकर्ता-आधारित फ़िल्टरिंग के साथ, आप साझा प्राथमिकताओं वाले समान उपयोगकर्ताओं के सेगमेंट बनाते हैं। इसलिए, एक उपयोगकर्ता को एक आइटम की सिफारिश करने की संभावना है जो कि खंड के अन्य उपयोगकर्ताओं को पसंद आया। सामग्री की विशेषताओं पर ध्यान नहीं दिया जाता है। आइटम-आधारित फ़िल्टरिंग के साथ, इंजन उन आइटमों की समानता के आधार पर अनुशंसाएँ बनाता है जिन्हें उपयोगकर्ता ने पसंद किया था। सामग्री-आधारित फ़िल्टरिंग के समान लगता है, है ना? यद्यपि सामग्री-आधारित फ़िल्टरिंग और आइटम-आधारित सहयोगी फ़िल्टरिंग सिस्टम दोनों ही अनुशंसा करने के लिए आइटम समानता का उपयोग करते हैं, लेकिन वे इस बात में भिन्न होते हैं कि वे कैसे निर्धारित करते हैं कि क्या समान है। सामग्री-आधारित फ़िल्टरिंग सिस्टम केवल उन आइटमों की अनुशंसा करते हैं जो उपयोगकर्ता द्वारा पहले से पसंद किए गए समान हैं। आइटम-आधारित सहयोगी फ़िल्टरिंग के साथ, आपको एक आइटम की सिफारिश की जाएगी जो आपके द्वारा पसंद किए गए आइटम के समान है और जो आपके सेगमेंट के उपयोगकर्ताओं द्वारा भी पसंद किया जाता है। सिफारिश इंजन के उपयोग के मामले निजीकरण का एक उच्च स्तर एक आवश्यकता बन गया है जिसकी अपेक्षा उपयोगकर्ता करते आए हैं, व्यवसायों को सिफारिश इंजनों के साथ अपने ऑनलाइन अनुभवों को समृद्ध करने के लिए प्रेरित करते हैं। ऐसे क्षेत्र जहां अनुशंसा इंजन काफी सामान्य हो गए हैं: : ई-कॉमर्स में अनुशंसा इंजन ग्राहकों को खरीदने के लिए नई वस्तुओं का सुझाव देने के लिए उत्पादों को वर्गीकृत करने से लेकर कुछ भी कर सकता है। ई-कॉमर्स में एक सिफारिश इंजन को लागू करने और बढ़ी हुई ग्राहक सेवा, बेहतर मार्केटिंग, और इसके साथ आने वाली अपसेलिंग की व्यापक संभावनाओं से प्रेरित प्रभाव को कम करना मुश्किल है। उदाहरण के लिए, प्रसिद्ध ई-कॉमर्स टाइकून, अमेज़ॅन । खुदरा और ई-कॉमर्स अपने राजस्व का 35% अपनी सिफारिश प्रणाली की मदद से उत्पन्न करता है : प्लेलिस्ट को क्यूरेट करने से लेकर पिछले इंटरैक्शन के आधार पर वैयक्तिकृत सुझाव देने तक, अनुशंसा इंजन मीडिया और मनोरंजन प्लेटफ़ॉर्म को उपयोगकर्ताओं को ऐसी सामग्री दिखाकर लंबे समय तक जोड़े रखने में मदद करते हैं जो उन्हें अन्यथा नहीं मिलती। , और जैसे सबसे बड़े मीडिया और मनोरंजन प्लेटफ़ॉर्म नए उपयोगकर्ताओं को आकर्षित करने और बनाए रखने के लिए AI-जनित व्यक्तिगत अनुशंसाओं पर बहुत अधिक निर्भर हैं। मीडिया और मनोरंजन YouTube Netflix Spotify : सोशल मीडिया क्षेत्र व्यक्तिगत सुझाव भी प्रदान करने के लिए प्रौद्योगिकी का लाभ उठा रहा है। उपयोगकर्ताओं को समान पृष्ठों और खातों को खोजने में मदद करने के लिए, सोशल मीडिया प्लेटफॉर्म अपने उपयोगकर्ताओं को सामग्री के साथ बातचीत करने में अधिक समय बिताने के लिए प्रेरित करते हैं, जिससे क्लिक-थ्रू दर बढ़ती है और राजस्व बढ़ता है। सोशल मीडिया : एआई-आधारित अनुशंसा प्रणाली बैंकों को राजस्व बढ़ाने के लिए उपयोगकर्ताओं के लेनदेन और अपसेल का विश्लेषण करने की अनुमति देती है। उदाहरण के लिए, जब कोई उपयोगकर्ता $500 मूल्य का हवाई टिकट खरीदता है, तो अनुशंसा इंजन स्वचालित रूप से मान लेता है कि वे विदेश में उड़ान भर रहे हैं और सुझाव देते हैं कि वे एक बीमा यात्रा बंडल खरीदते हैं। बैंकिंग और वित्त से चुनने के लिए कार्यान्वयन विकल्प जैसा कि आप एक सिफारिश इंजन के निर्माण की यात्रा शुरू करते हैं, आप अपने स्वयं के फायदे और विचारों के साथ कई कार्यान्वयन विकल्पों का सामना करेंगे, अर्थात्: प्लग-एंड-प्ले अनुशंसा इंजन प्लग-एंड-प्ले अनुशंसा इंजन आपके उत्पाद या प्लेटफ़ॉर्म में वैयक्तिकृत अनुशंसाओं को शामिल करने का एक सुविधाजनक और झंझट-मुक्त तरीका प्रदान करते हैं। वे पहले से निर्मित होते हैं और आपके मौजूदा बुनियादी ढांचे में मूल रूप से एकीकृत करने के लिए डिज़ाइन किए गए हैं। प्लग-एंड-प्ले अनुशंसा इंजन का मुख्य लाभ उनकी सादगी और उपयोग में आसानी में निहित है। वे आम तौर पर उपयोगकर्ता के अनुकूल होने के लिए डिज़ाइन किए जाते हैं, यहां तक कि गैर-तकनीकी दर्शकों को भी उन्हें न्यूनतम प्रयास के साथ सेट करने की अनुमति मिलती है। प्लग-एंड-प्ले अनुशंसा इंजन के उदाहरण Recombee, Seldon, और LiftIgniter जैसे प्लेटफ़ॉर्म तक फैले हुए हैं। डाउनसाइड प्लग-एंड-प्ले अनुशंसा इंजन सीमित अनुकूलन और अनुकूलन क्षमता के साथ आते हैं। जबकि वे सुविधा और गति प्रदान करते हैं, वे कस्टम समाधान प्रदान करने वाले लचीलेपन और फाइन-ट्यूनिंग का स्तर प्रदान नहीं कर सकते हैं। पूर्व-प्रशिक्षित क्लाउड-आधारित अनुशंसा सेवाएँ क्लाउड-आधारित अनुशंसा इंजन विशाल कम्प्यूटेशनल संसाधनों और क्लाउड सेवा प्रदाताओं की विशेषज्ञता का लाभ उठाने की अनुमति देते हैं। ये अनुशंसा सेवाएँ आमतौर पर उपयोग में आसान एपीआई प्रदान करती हैं जो डेवलपर्स को अपने अनुप्रयोगों में अनुशंसा कार्यक्षमता को आसानी से एकीकृत करने की अनुमति देती हैं। क्लाउड-आधारित अनुशंसा इंजन अत्यधिक स्केलेबल भी हैं, जो उन्हें बड़े उपयोगकर्ता आधार और उच्च ट्रैफ़िक भार को संभालने की अनुमति देता है। एक अन्य लाभ निरंतर सुधार है क्योंकि अंतर्निहित मॉडल सेवा प्रदाताओं द्वारा अद्यतन और परिष्कृत किए जाते हैं। Amazon Web Services, Google Cloud Platform और Microsoft Azure जैसे प्रमुख क्लाउड सेवा विक्रेता पूर्व-प्रशिक्षित अनुशंसा सेवाएँ प्रदान करते हैं। पूर्व-प्रशिक्षित क्लाउड-आधारित अनुशंसा सेवाओं का चयन करते समय विचार करने वाले कारकों में डेटा गोपनीयता, विक्रेता लॉक-इन और अनुकूलन आवश्यकताएं शामिल हैं। जबकि ये सेवाएं सुविधा और मापनीयता प्रदान करती हैं, आपकी विशिष्ट व्यावसायिक आवश्यकताओं से मेल खाने के लिए अनुशंसा एल्गोरिदम को अनुकूलित करने के संदर्भ में उनकी सीमाएँ हो सकती हैं। कस्टम सिफारिश इंजन कस्टम अनुशंसा इंजन उच्चतम स्तर के लचीलेपन और नियंत्रण की पेशकश करते हैं, जिससे आप मालिकाना एल्गोरिदम को शामिल कर सकते हैं, डोमेन-विशिष्ट ज्ञान का लाभ उठा सकते हैं और अपने डेटा की बारीकियों पर विचार कर सकते हैं। कस्टम तरीके से जाने से आप उपयोगकर्ता की प्राथमिकताओं, आइटम विशेषताओं और प्रासंगिक कारकों की पेचीदगियों को पकड़ने की अनुमति देते हैं, जिसके परिणामस्वरूप आमतौर पर अधिक सटीक और प्रासंगिक सिफारिशें मिलती हैं। हालाँकि, जबकि कस्टम अनुशंसा इंजन सबसे अधिक लचीलेपन की पेशकश करते हैं, उन्हें पर्याप्त विकास संसाधनों, मशीन सीखने में विशेषज्ञता और निरंतर रखरखाव प्रयासों की भी आवश्यकता होती है। इसलिए, एक कस्टम अनुशंसा इंजन बनाने से पहले, अपनी व्यावसायिक आवश्यकताओं, उपलब्ध संसाधनों और दीर्घकालिक उद्देश्यों का ध्यानपूर्वक आकलन करें। निम्नलिखित परिदृश्यों में कस्टम रूट पर जाने के लिए सामान्य नियम है: : यदि आपके व्यवसाय की विशिष्ट आवश्यकताएं हैं जिन्हें ऑफ-द-शेल्फ समाधानों से पूरा नहीं किया जा सकता है, तो कस्टम करें। यह आपको एल्गोरिदम को आपके विशिष्ट कार्य के लिए तैयार करने की अनुमति देगा। मान लें कि आप कलात्मक उत्पाद बेचने वाला एक आला ई-कॉमर्स प्लेटफ़ॉर्म हैं। जब उत्पादों का सुझाव देने की बात आती है तो आपकी विशिष्ट आवश्यकताएं हो सकती हैं: अनुशंसा इंजन को विशिष्ट शैलियों या सामग्रियों के लिए उत्पाद की दुर्लभता, शिल्प कौशल और उपयोगकर्ता की प्राथमिकताओं जैसे कारकों पर विचार करना पड़ता है। स्क्रैच से एक अनुशंसा इंजन बनाने से आपको उन अनुशंसाओं को उत्पन्न करने की अधिक संभावना होगी जो उपयोगकर्ताओं की प्राथमिकताओं के साथ संरेखित हों। आपके पास अद्वितीय व्यावसायिक आवश्यकताएं हैं : एक कस्टम अनुशंसा इंजन बनाने से आपको संपूर्ण अनुशंसा निर्माण प्रक्रिया पर पूर्ण नियंत्रण मिलता है: एल्गोरिथम चयन के माध्यम से डेटा प्रीप्रोसेसिंग से लेकर फाइन-ट्यूनिंग तक। यह आपको सिस्टम का पूर्ण स्वामित्व प्राप्त करने और इसे अनुकूलित करने की अनुमति देता है क्योंकि तृतीय-पक्ष समाधानों पर भरोसा किए बिना आपका व्यवसाय विकसित होता है। आप पूर्ण नियंत्रण और स्वामित्व चाहते हैं : यदि आपके पास डोमेन-विशिष्ट विशेषज्ञता है या विशेष डेटा तक पहुंच है जो अनुशंसा सटीकता को महत्वपूर्ण रूप से बढ़ा सकती है, तो कस्टम समाधान बनाने से आप उस ज्ञान का प्रभावी ढंग से लाभ उठा सकते हैं। एक अनुकूलित अनुशंसा इंजन विकसित करके, आप डोमेन-विशिष्ट सुविधाओं या बाधाओं को शामिल कर सकते हैं जो पूर्व-प्रशिक्षित समाधानों में उपलब्ध नहीं हो सकते हैं। आपके पास डोमेन-विशिष्ट ज्ञान है : यदि आप उपयोगकर्ताओं या वस्तुओं की भारी मात्रा का अनुमान लगाते हैं, सख्त विलंबता बाधाएं हैं, या बड़े और जटिल डेटासेट को संसाधित करने की आवश्यकता है, तो एक कस्टम अनुशंसा इंजन बनाने से आपको अधिकतम के लिए सिस्टम को डिज़ाइन और अनुकूलित करने की सुविधा मिलती है। मापनीयता और प्रदर्शन। यदि आप रीयल-टाइम या लगभग रीयल-टाइम अनुशंसाएं उत्पन्न करना चाहते हैं तो भी यही बात लागू होती है। आपके एप्लिकेशन को उच्च मापनीयता और प्रदर्शन की आवश्यकता है : यदि सटीक अनुशंसाएँ आपके उत्पाद या सेवा के लिए एक मुख्य विभेदक कारक हैं, तो एक कस्टम अनुशंसा इंजन बनाने से आपको प्रतिस्पर्धा में बढ़त मिल सकती है। इस मामले में दर्जी समाधान में निवेश करने से अद्वितीय और व्यक्तिगत अनुभव प्रदान करने, जुड़ाव, वफादारी और ग्राहकों की संतुष्टि बढ़ाने का अवसर मिल सकता है। आप एक प्रतिस्पर्धात्मक लाभ प्राप्त करना चाहते हैं एक कस्टम अनुशंसा इंजन का निर्माण, चरण-दर-चरण वैयक्तिकृत अनुशंसाएँ प्रदान करना एक ऐसा कार्य है जिसे आमतौर पर मशीन लर्निंग के साथ हल किया जाता है। तंत्रिका नेटवर्क का भी उपयोग किया जा सकता है। हालांकि, उनकी भूमिका ज्यादातर प्रीप्रोसेसिंग प्रशिक्षण डेटा तक ही सीमित है। ITRex के द्वारा साझा किए गए अनुशंसा इंजन के निर्माण की प्रक्रिया के प्रमुख चरण यहां दिए गए हैं। मशीन लर्निंग डेवलपर्स चरण 1. दिशा निर्धारित करना शेष परियोजना के लिए दिशा निर्धारित करके विकास को प्रारंभ करें। इस स्तर पर करने के लिए आवश्यक चीजों में शामिल हैं: लक्ष्य निर्धारित करना और परियोजना के दायरे को परिभाषित करना स्पष्ट रूप से रेखांकित करें कि आप एक सिफारिश प्रणाली के साथ क्या हासिल करना चाहते हैं और संसाधन और बजट सीमाओं के विरुद्ध निर्धारित लक्ष्य का वजन करें। उदाहरण के लिए, यदि आप ग्राहकों की व्यस्तता में सुधार करना चाहते हैं और अपने ऑनलाइन स्टोर में बिक्री बढ़ाना चाहते हैं, तो आप उन ग्राहकों को उत्पादों की सिफारिश करने के लिए प्रोजेक्ट का दायरा सीमित रख सकते हैं, जिन्होंने पहले ही खरीदारी कर ली है। दायरे को काफी संकीर्ण रखने के लिए सभी ग्राहकों को लक्षित करने वाले अनुशंसा इंजन के निर्माण की तुलना में कम प्रयास की आवश्यकता होती है, जबकि आरओआई उत्पन्न करने की क्षमता काफी अधिक रहती है। उपलब्ध डेटा स्रोतों का आकलन अनुशंसा प्रणाली का प्रदर्शन प्रशिक्षण डेटा की मात्रा और गुणवत्ता पर बहुत अधिक निर्भर करता है। प्रशिक्षण शुरू करने से पहले, सावधानी से मूल्यांकन करें कि क्या आपके पास सिफारिशें उत्पन्न करने के लिए पर्याप्त डेटा बिंदु हैं। प्रदर्शन मेट्रिक्स को परिभाषित करना एक सिफारिश इंजन के निर्माण की प्रमुख चुनौतियों में से एक, जिसे शुरुआत में ही ध्यान में रखा जाना चाहिए, सफलता मेट्रिक्स को परिभाषित कर रहा है। एमएल एल्गोरिदम को प्रशिक्षित करने से पहले यह बताने का एक तरीका तैयार करें कि उपयोगकर्ता वास्तव में नई जनरेट की गई सिफारिशों का आनंद लेते हैं या नहीं। चरण 2. प्रशिक्षण डेटा एकत्र करें एक कस्टम सिफारिश प्रणाली के निर्माण की प्रक्रिया में अगला कदम है। एक विश्वसनीय अनुशंसा प्रणाली बनाने के लिए, आपको उपयोगकर्ता वरीयताओं के बारे में पर्याप्त डेटा चाहिए। प्रशिक्षण मशीन लर्निंग एल्गोरिदम के लिए डेटा एकत्र करना और तैयार करना अनुशंसा इंजन के निर्माण के दृष्टिकोण के आधार पर, आपका फ़ोकस बदल जाएगा। सहयोगी फ़िल्टरिंग सिस्टम बनाते समय, आप जो डेटा एकत्र करते हैं वह पर केंद्रित होता है। सामग्री-आधारित फ़िल्टरिंग सिस्टम के साथ, आप सामग्री की उन विशेषताओं पर ध्यान केंद्रित करते हैं जिन्हें उपयोगकर्ता पसंद करते हैं। उपयोगकर्ता के व्यवहार सहयोगी को छानने उपयोगकर्ता व्यवहार के बारे में डेटा विभिन्न रूपों में आ सकता है: कुछ भी है जिसके लिए उपयोगकर्ता को प्रयास करने की आवश्यकता होती है, जैसे समीक्षा लिखना, सामग्री का एक टुकड़ा या उत्पाद पसंद करना, शिकायत करना या वापसी शुरू करना। स्पष्ट उपयोगकर्ता प्रतिक्रिया , जैसे पिछला खरीदारी इतिहास, वह समय जब उपयोगकर्ता किसी ऑफ़र को देखने में व्यतीत करता है, देखने/सुनने की आदतें, सोशल मीडिया पर छोड़ा गया फ़ीडबैक, और बहुत कुछ। निहित उपयोगकर्ता फ़ीडबैक एक अनुशंसा इंजन का निर्माण करते समय, हम स्पष्ट और निहित दोनों फीडबैक को संयोजित करने की सलाह देते हैं, क्योंकि उत्तरार्द्ध उपयोगकर्ता की प्राथमिकताओं में खुदाई करने की अनुमति देता है, जिसे वे स्वीकार करने में अनिच्छुक हो सकते हैं, जिससे सिस्टम अधिक सटीक हो जाता है। सामग्री-आधारित फ़िल्टरिंग सामग्री-आधारित फ़िल्टरिंग सिस्टम के लिए डेटा एकत्र करते समय, यह समझना महत्वपूर्ण है कि उपयोगकर्ताओं को क्या पसंद है, इसकी खोज करते समय आपको किस उत्पाद/सामग्री सुविधाओं पर भरोसा करना चाहिए। मान लीजिए आप संगीत प्रेमियों के लिए एक सिफारिश इंजन बना रहे हैं। आप यह समझने के लिए स्पेक्ट्रोग्राम विश्लेषण पर भरोसा कर सकते हैं कि एक विशेष उपयोगकर्ता किस प्रकार का संगीत पसंद करता है और समान स्पेक्ट्रोग्राम के साथ धुनों की अनुशंसा करता है। वैकल्पिक रूप से, आप अपनी अनुशंसाओं के आधार के रूप में गीत के बोल चुन सकते हैं और समान थीम वाले गीतों की सलाह दे सकते हैं। कुंजी यह समझने के लिए परीक्षण और ट्यून करना है कि आपके लिए सबसे अच्छा क्या काम करता है और प्रारंभिक मॉडल में लगातार सुधार करने के लिए तैयार रहें। चरण 3. डेटा को साफ और संसाधित करें एक उच्च-प्रदर्शन अनुशंसा इंजन बनाने के लिए आपको उपयोगकर्ता के स्वाद को बदलने के लिए ध्यान देना होगा। आप जो अनुशंसा करते हैं उसके आधार पर, पुरानी समीक्षाएं या रेटिंग अब प्रासंगिक नहीं रह सकती हैं। अशुद्धियों को रोकने के लिए, केवल उन सुविधाओं को देखने पर विचार करें जो वर्तमान उपयोगकर्ता के स्वाद का प्रतिनिधित्व करने की अधिक संभावना रखते हैं, जो डेटा अब प्रासंगिक नहीं है उसे हटा दें, और पुराने लोगों के विपरीत हाल की उपयोगकर्ता कार्रवाइयों को अधिक महत्व दें। चरण 4. एक इष्टतम एल्गोरिदम चुनें अनुशंसा इंजन बनाने की प्रक्रिया में अगला चरण आपके कार्य के लिए उपयुक्त मशीन लर्निंग एल्गोरिथम का चयन करना है। निम्नलिखित पर विचार करने की सलाह देते हैं: ITRex के डेटा वैज्ञानिक उपयोगकर्ताओं और वस्तुओं के बीच छिपे पैटर्न और समानता को उजागर करने के लिए एक बड़े डेटासेट को छोटे भागों में तोड़ देता है। मैट्रिक्स फैक्टराइजेशन मैट्रिक्स फैक्टराइजेशन का एक विस्तार है जो टेंसर नामक उच्च-आयामी डेटा संरचनाओं को संभाल सकता है। यह उपयोगकर्ता-आइटम इंटरैक्शन की अधिक विस्तृत समझ प्रदान करते हुए टेंसरों को अव्यक्त कारकों में विघटित करके अधिक जटिल पैटर्न को कैप्चर करता है। टेंसर फैक्टराइजेशन शक्तिशाली मॉडल हैं जो उच्च-आयामी और विरल डेटा को संभाल सकती हैं। वे सुविधाओं के बीच बातचीत को कैप्चर करते हैं और अनुशंसा कार्यों पर लागू किए जा सकते हैं। फीचर इंटरैक्शन पर विचार करके, डेटा अपूर्ण होने पर भी वे सटीक अनुशंसाएं प्रदान कर सकते हैं। फैक्टराइजेशन मशीनें विशेषताओं या व्यवहार के आधार पर उपयोगकर्ताओं या वस्तुओं के बीच समानता पाते हैं। सहयोगी फ़िल्टरिंग के लिए विशेष रूप से प्रभावी, वे एक नेटवर्क में उपयोगकर्ताओं या वस्तुओं के बीच संबंध बनाते हैं और समान उपयोगकर्ताओं या वस्तुओं की प्राथमिकताओं के आधार पर सिफारिशें करते हैं। आस-पड़ोस के मॉडल एक ग्राफ-आधारित एल्गोरिथम है जो किसी नेटवर्क में आइटम या उपयोगकर्ताओं के बीच कनेक्शन की पड़ताल करता है। नेटवर्क को नेविगेट करके, यह आइटम या उपयोगकर्ताओं के बीच समानता को कैप्चर करता है, कैप्चर किए गए कनेक्शन के आधार पर सिफारिशें करता है। रैंडम वॉक एक तकनीक है जिसका उपयोग अनुशंसा प्रणालियों में यह समझने के लिए किया जाता है कि आइटम एक दूसरे से कैसे संबंधित हैं। यह वस्तुओं के बीच संबंधों में पैटर्न खोजने पर केंद्रित है और सिफारिश करने के लिए उन पैटर्नों का उपयोग करता है। SLIM सुविधाओं के बीच रैखिक संबंधों के आधार पर उपयोगकर्ता-आइटम वरीयताओं की भविष्यवाणी करते हैं। जबकि वे समझने में आसान और प्रशिक्षित करने में तेज़ हैं, वे जटिल पैटर्न को अन्य तरीकों के रूप में प्रभावी रूप से कैप्चर नहीं कर सकते हैं। रैखिक मॉडल साथ ही, आप निम्न गहन शिक्षण मॉडल में से चुन सकते हैं: पाठ या दस्तावेजों का प्रतिनिधित्व सीखते हैं। वे एक संरचित ढांचे के भीतर शब्दों के शब्दार्थ अर्थ और उनके संबंधों को पकड़ने पर ध्यान केंद्रित करते हैं। DSSM (डीप स्ट्रक्चर्ड सिमेंटिक मॉडल) ग्राफ़-संरचित डेटा के लिए डिज़ाइन किया गया है। वे ग्राफ़ पर काम करते हैं, ग्राफ़ में नोड्स के बीच संबंधों और इंटरैक्शन को कैप्चर करते हैं। ग्राफ़ संकेंद्रित नेटवर्क को एक जनरेटिव मॉडल है जो इसके अंतर्निहित अव्यक्त स्थान को कैप्चर करके डेटा का प्रतिनिधित्व सीखता है। ये मॉडल डेटा को कम-आयामी स्थान में संपीड़ित करने और इसे पुनर्निर्माण करने के लिए एन्कोडर-डिकोडर आर्किटेक्चर का उपयोग करते हैं। वैरिएशनल ऑटो-एनकोडर एक मॉडल है जो वाक्य या दस्तावेज़ में शब्दों के बीच प्रासंगिक संबंधों को पकड़ने के लिए आत्म-ध्यान तंत्र का उपयोग करता है। ट्रांसफॉर्मर ध्यान देने वाली बात यह है कि ऊपर दी गई विधियों का उपयोग शायद ही कभी अलगाव में किया जाता है। इसके बजाय, वे निम्नलिखित तकनीकों और एल्गोरिदम के माध्यम से संयुक्त होते हैं: कई मॉडलों को स्वतंत्र रूप से प्रशिक्षित करना और फिर विभिन्न तकनीकों के माध्यम से उनकी भविष्यवाणियों को जोड़ना शामिल है। प्रत्येक मॉडल अंतिम भविष्यवाणी में समान रूप से योगदान देता है, और संयोजन आमतौर पर सीधा होता है और इसमें अतिरिक्त मॉडल का प्रशिक्षण शामिल नहीं होता है। समेकन में एक अधिक उन्नत दृष्टिकोण लेता है। इसमें कई मॉडलों का प्रशिक्षण शामिल है, जिन्हें आधार मॉडल कहा जाता है, और फिर एक मेटा-मॉडल के माध्यम से उनकी भविष्यवाणियों का संयोजन किया जाता है। आधार मॉडल इनपुट डेटा के आधार पर भविष्यवाणियां करते हैं, और उनकी भविष्यवाणियां मेटा-मॉडल के लिए इनपुट फीचर बन जाती हैं। मेटा-मॉडल को तब अंतिम भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है। स्टैकिंग एक समेकित लर्निंग एल्गोरिद्म है जो बेस मॉडल की सटीकता को अलग-अलग डेटा सबसेट पर पुनरावृत्त रूप से प्रशिक्षित करके सुधारता है। दृष्टिकोण उन उदाहरणों पर ध्यान केंद्रित करता है जिन्हें सही ढंग से वर्गीकृत करना मुश्किल होता है और बाद के प्रशिक्षण पुनरावृत्तियों में उन्हें अधिक ध्यान देता है। प्रत्येक पुनरावृत्ति में, AdaBoost प्रशिक्षण उदाहरणों को उनके वर्गीकरण सटीकता के आधार पर भार प्रदान करता है। यह तब भारित डेटा पर खराब प्रदर्शन करने वाले मॉडल को प्रशिक्षित करता है, जहां वजन पिछले पुनरावृत्तियों से गलत वर्गीकृत उदाहरणों पर जोर देता है। AdaBoost एक समेकित विधि है जो एक मजबूत मॉडल बनाने के लिए कमजोर भविष्यवाणी मॉडल को पुनरावृत्त रूप से जोड़ती है। यह क्रमिक तरीके से मॉडलों को प्रशिक्षित करता है, जहां प्रत्येक बाद वाला मॉडल पिछले वाले द्वारा की गई त्रुटियों को सुधारता है। XGBoost चरण 4. मॉडल को प्रशिक्षित और मान्य करें एक बार जब आप अपने अनुशंसा इंजन के लिए एल्गोरिदम पर शून्य हो जाते हैं, तो मॉडल को प्रशिक्षित करने और मान्य करने का समय आ गया है। यहां बताया गया है कि अनुशंसा इंजन बनाने की प्रक्रिया में यह चरण कैसा दिखता है: आरंभ करने के लिए, आपको अपने डेटा को दो सेटों में विभाजित करना होगा: एक प्रशिक्षण सेट और एक परीक्षण सेट। प्रशिक्षण सेट, जैसा कि नाम से पता चलता है, आपके मॉडल को उपयोगकर्ता वरीयताओं में पैटर्न को पहचानना सिखाता है। टेस्टिंग सेट नए डेटा पर मॉडल के प्रदर्शन का आकलन करने में मदद करता है। प्रशिक्षण सेट के साथ, अपने मॉडल का प्रशिक्षण शुरू करें। इसमें एल्गोरिदम को डेटा में उजागर करना शामिल है, जिससे इसे अंतर्निहित पैटर्न और रिश्तों को सीखने की अनुमति मिलती है। प्रशिक्षण चरण के बाद, परीक्षण सेट का उपयोग करके मॉडल के प्रदर्शन का मूल्यांकन करने का समय आ गया है। इससे आपको यह समझने में मदद मिलेगी कि मॉडल नए डेटा का कितना प्रभावी ढंग से सामान्यीकरण करता है। वैकल्पिक रूप से, आप यह समझने के लिए रीयल-टाइम फीडबैक पर भरोसा कर सकते हैं कि मॉडल कितना अच्छा प्रदर्शन कर रहा है। इस तरह, आप मॉडल को उत्पादन में परिनियोजित करते हैं और जनरेट की गई अनुशंसाओं को उपयोगकर्ता फ़ीडबैक पर मैप करते हैं। फिर आप अगले चरण पर जाते हैं, जहाँ आप मॉडल को पुनरावृत्त सीखने की प्रक्रिया के माध्यम से इसके मापदंडों को समायोजित करने के लिए सेट करते हैं। चरण 5. मॉडल हाइपरपैरामीटर ट्यून करें एक बार जब आप मॉडल के प्रदर्शन का मूल्यांकन कर लेते हैं, तो आप इसे आवश्यकतानुसार फाइन-ट्यून कर सकते हैं। आइए सहयोगी फ़िल्टरिंग एल्गोरिथम पर निर्मित अनुशंसा प्रणाली के एक उदाहरण पर विचार करें। सहयोगी फ़िल्टरिंग में, पड़ोसियों की संख्या निर्धारित करती है कि अनुशंसा करते समय कितने समान उपयोगकर्ता या आइटम पर विचार किया जाता है। मान लीजिए कि आप एक अनुशंसा इंजन बना रहे हैं जो सहयोगी फ़िल्टरिंग पर निर्भर करता है और नई फिल्मों का सुझाव देता है। प्रारंभ में, आप पड़ोसियों की संख्या 10 पर सेट करते हैं, जिसका अर्थ है कि अनुशंसाएँ उत्पन्न करते समय मॉडल 10 सबसे समान उपयोगकर्ताओं की प्राथमिकताओं पर विचार करता है। मॉडल के प्रदर्शन का मूल्यांकन करने के बाद, आप पाते हैं कि अनुशंसाओं की सटीकता वांछित से कम है। इसे बेहतर बनाने के लिए, आप पड़ोसियों की संख्या को समायोजित करके मॉडल को फ़ाइन-ट्यून करने का निर्णय लेते हैं। विभिन्न पड़ोसी आकारों के प्रभाव का पता लगाने के लिए, आप रेंजिंग मानों के साथ प्रयोग चला सकते हैं। उदाहरण के लिए, पड़ोसियों की संख्या को घटाकर 5 करने से सटीकता में महत्वपूर्ण वृद्धि हो सकती है। हालाँकि, आपको याद में थोड़ी कमी दिखाई दे सकती है, यह दर्शाता है कि मॉडल कुछ प्रासंगिक अनुशंसाओं से चूक रहा है। संख्या 20 बढ़ाने से, बदले में, स्मरण में थोड़ा सुधार हो सकता है, लेकिन सुझाव कम वैयक्तिकृत हो सकते हैं। कुंजी सटीक और रिकॉल के बीच समझौता करना है और विविध उपयोगकर्ता वरीयताओं को कैप्चर करने और सटीक अनुशंसाओं को बनाए रखने के बीच संतुलन बनाना है। चरण 6. मॉडल को कार्यान्वित, निगरानी और अद्यतन करें मॉडल के प्राइम होने और रोल करने के लिए तैयार होने के साथ, इसे लागू करने का समय आ गया है। सफल कार्यान्वयन सुनिश्चित करने के लिए, मॉडल को अपने मौजूदा बुनियादी ढांचे में शामिल करने के सबसे प्रभावी तरीके पर विचार करें। उदाहरण के लिए, आप मॉडल को अपनी वेबसाइट के बैक एंड में एम्बेड कर सकते हैं, यह सुनिश्चित करते हुए कि यह यूजर इंटरफेस के साथ निर्बाध रूप से इंटरैक्ट करता है। यह एकीकरण रीयल-टाइम अनुशंसाओं को सक्षम करता है जो गतिशील रूप से उपयोगकर्ताओं की प्राथमिकताओं के अनुकूल होती हैं। वैकल्पिक रूप से, आप मॉडल को एक सेवा के रूप में एक सिफारिश इंजन एपीआई की तरह तैनात कर सकते हैं, जिसे आपके आवेदन के अन्य घटक आसानी से कॉल कर सकते हैं। यह सेवा-उन्मुख दृष्टिकोण लचीलापन और मापनीयता सुनिश्चित करता है, जिससे आपके एप्लिकेशन को अनुशंसा इंजन की क्षमताओं का सहजता से लाभ उठाने की अनुमति मिलती है। कार्यान्वयन चरण भी इस बात पर विचार करने का एक अच्छा क्षण है कि उपयोगकर्ताओं को सिफारिशें कैसे प्रस्तुत की जाएंगी। क्या वे किसी वेबसाइट के होमपेज पर वैयक्तिकृत सुझावों के रूप में प्रदर्शित होंगे, सहज ज्ञान युक्त अंतरफलक में बड़े करीने से वर्गीकृत? या क्या वे उपयोगकर्ताओं को आश्चर्यचकित करने के लिए सही समय पर सामने आते हुए, ऐप के इंटरफ़ेस में मूल रूप से एकीकृत हो जाएंगे? पसंद आपकी है, लेकिन उपयोगकर्ता अनुभव को हमेशा सबसे आगे रखें। अंत में, इसकी निर्बाध कार्यक्षमता सुनिश्चित करने के लिए कार्यान्वित मॉडल का कड़ाई से परीक्षण करना महत्वपूर्ण है। विभिन्न उपयोगकर्ता इंटरैक्शन में इसके प्रदर्शन और व्यवहार को मान्य करने के लिए व्यापक परीक्षण चलाएं, यह सुनिश्चित करने के लिए कि सिफारिशें सटीक, समय पर और उपयोगकर्ता की अपेक्षाओं के अनुरूप हों। एक सिफारिश इंजन के निर्माण की चुनौतियाँ, और उन्हें कैसे हल किया जाए अनुशंसा इंजन के निर्माण की चुनौतियों को समझना वैयक्तिकृत और प्रासंगिक अनुशंसाएँ प्रदान करने के लिए महत्वपूर्ण है। यहाँ सबसे आम लोगों की सूची है: चुनौती 1. सफलता को मापना एक सिफारिश इंजन के निर्माण की प्रमुख चुनौतियों में से एक, जिसे शुरुआत में ही ध्यान में रखा जाना चाहिए, सफलता मेट्रिक्स को परिभाषित कर रहा है। दूसरे शब्दों में, इससे पहले कि आप डेटा एकत्र करने और एमएल एल्गोरिदम को प्रशिक्षित करने के लिए नीचे उतरें, आपको यह बताने का एक विश्वसनीय तरीका तैयार करना चाहिए कि क्या उपयोगकर्ता वास्तव में नई जनरेट की गई अनुशंसाओं का आनंद लेते हैं। यह आपकी विकास प्रक्रिया का मार्गदर्शन करेगा। कहते हैं, आप एक स्ट्रीमिंग प्लेटफॉर्म हैं। आपका अनुशंसा इंजन कितना अच्छा प्रदर्शन कर रहा है, यह मापने के लिए आप पसंद या मासिक भुगतान सदस्यता की संख्या की गणना कर सकते हैं। हालाँकि, संभावना है कि आपकी सिफारिशें ठीक हैं, जबकि उपयोगकर्ता अपनी प्राथमिकताओं को स्पष्ट रूप से बताने या सेवा के लिए भुगतान करने में अनिच्छुक हैं। हमारे डेटा वैज्ञानिकों के अनुभव से पता चलता है कि उपयोगकर्ता व्यवहार सिफारिश प्रणाली के प्रदर्शन को मापने का एक अधिक विश्वसनीय तरीका है। हमें संदेह नहीं होगा कि एक उपयोगकर्ता ने एक शो का आनंद लिया है यदि वे इसे एक रात में देखते हैं, भले ही कोई स्पष्ट प्रतिक्रिया न दी गई हो। चुनौती 2. आयामीता का अभिशाप डेटा डायमेंशनलिटी डेटासेट में सुविधाओं की संख्या को संदर्भित करता है। अधिक इनपुट सुविधाएं अक्सर सटीक अनुशंसा इंजन बनाने के लिए इसे और अधिक चुनौतीपूर्ण बनाती हैं। आइए YouTube को एक उदाहरण के रूप में लेते हैं। प्लेटफ़ॉर्म पर, अरबों वीडियो और उपयोगकर्ता सह-अस्तित्व में हैं, और प्रत्येक उपयोगकर्ता व्यक्तिगत अनुशंसाएँ मांग रहा है। हालांकि, मानव और कम्प्यूटेशनल संसाधन सीमित हैं, और शायद ही कोई घंटों के लिए अनुशंसाओं के लोड होने की प्रतीक्षा करना चाहता है। इस चुनौती से निपटने के लिए, सिफारिश एल्गोरिथम शुरू करने से पहले एक अतिरिक्त कदम, उम्मीदवार पीढ़ी की आवश्यकता है। यह कदम अरबों वीडियो को दसियों हज़ार तक सीमित करने की अनुमति देता है। और फिर इस छोटे समूह का उपयोग सिफारिशें उत्पन्न करने के लिए किया जाता है। विभिन्न रणनीतियों, निकटतम पड़ोसी खोज सबसे प्रमुख होने के साथ, उम्मीदवार पीढ़ी के लिए उपयोग की जाती है। आयामीता के मुद्दे पर काबू पाने के लिए अन्य सामान्य प्रथाओं में समान आयु वर्ग के लोगों के बीच साझा की जाने वाली लोकप्रिय श्रेणियों या प्राथमिकताओं की खोज करना शामिल है। चुनौती 3. कोल्ड स्टार्ट अनुशंसा इंजन के निर्माण की प्रक्रिया में एक और आम समस्या, कोल्ड स्टार्ट पहेली तब उत्पन्न होती है जब सिस्टम में किसी उपयोगकर्ता या वस्तु के बारे में पर्याप्त जानकारी का अभाव होता है, जिससे सटीक अनुशंसाएँ प्रदान करना चुनौतीपूर्ण हो जाता है। इस बाधा पर काबू पाने में सहयोगी फ़िल्टरिंग, सामग्री-आधारित फ़िल्टरिंग, या हाइब्रिड दृष्टिकोण जैसे नियोजित तरीके शामिल हैं। चुनौती 4. लंबी पूँछ अनुशंसा प्रणाली "लंबी पूंछ" के रूप में जानी जाने वाली घटना से पीड़ित हो सकती है। इसका अर्थ है कि लोकप्रिय आइटम अधिक ध्यान और अनुशंसाएं प्राप्त करते हैं, जबकि कम लोकप्रिय आइटम उपयोगकर्ताओं द्वारा ध्यान नहीं दिए जाते हैं। इस समस्या को हल करने के लिए वैयक्तिकृत अनुशंसाएँ उत्पन्न करने और व्यक्तिगत उपयोगकर्ता प्राथमिकताओं को ध्यान में रखने की आवश्यकता होती है। चुनौती 5. नई वस्तुओं के लिए कोल्ड स्टार्ट जब कोई नया आइटम सिस्टम में जोड़ा जाता है, तो उसके पास अनुशंसाएँ उत्पन्न करने के लिए बहुत कम या कोई ऐतिहासिक डेटा नहीं होता है, जिससे प्रासंगिक सुझावों को बनाना मुश्किल हो जाता है। इस समस्या से निपटने का एक तरीका सामग्री फ़िल्टर का उपयोग करना और प्रचार या विज्ञापनों के माध्यम से नए आइटम के साथ सहभागिता करने के लिए सक्रिय रूप से उपयोगकर्ताओं को शामिल करना है। चुनौती 6. नए उपयोगकर्ताओं के लिए कोल्ड स्टार्ट इसी तरह, नए उपयोगकर्ताओं के पास सटीक अनुशंसाओं के लिए पर्याप्त ऐतिहासिक डेटा नहीं हो सकता है। इस चुनौती से उबरने के लिए, सामग्री-आधारित फ़िल्टरिंग, प्रतिक्रिया अनुरोध और प्रारंभिक उपयोगकर्ता सर्वेक्षण जैसी विधियों को नियोजित किया जा सकता है। चुनौती 7. डेटा विरलता अनुशंसा प्रणालियों में, डेटा विरलता एक सामान्य घटना है जहां कई उपयोगकर्ता कम संख्या में वस्तुओं के साथ दर या बातचीत करते हैं। यह उपयोगकर्ता वरीयताओं की भविष्यवाणी करने में एक चुनौती है। इस समस्या को हल करने के लिए, आयाम में कमी, नियमितीकरण और अन्य तकनीकों को शामिल करते हुए मैट्रिक्स कारककरण विधियों का उपयोग किया जा सकता है। इसको जोड़कर एक सिफारिश इंजन का निर्माण एल्गोरिदम, उपयोगकर्ता अंतर्दृष्टि और पुनरावृत्त शोधन द्वारा संचालित एक यात्रा है। समस्या को परिभाषित करने से लेकर मॉडल प्रशिक्षण के लिए सावधानीपूर्वक डेटा प्रीप्रोसेसिंग के माध्यम से सही दृष्टिकोण का चयन करने तक, प्रत्येक चरण एक शक्तिशाली अनुशंसा प्रणाली के निर्माण में योगदान देता है। एक सिफारिश इंजन की उपयोगकर्ता वरीयताओं को समझने और अनुरूप सिफारिशें देने की क्षमता आपके व्यवसाय के लिए अपार संभावनाएं रखती है। अमेज़ॅन, यूट्यूब, स्पॉटिफी, और कई अन्य कम ज्ञात, फिर भी कम सफल नहीं, व्यवसायों ने अपने उत्पादों में क्रांति ला दी और बाद में अनुरूप अनुशंसाओं के साथ राजस्व में वृद्धि हुई। उदाहरण के लिए, Spotify, एक संगीत स्ट्रीमिंग प्लेटफ़ॉर्म जो प्रमुख विभेदक कारक के रूप में अत्यधिक वैयक्तिकृत अनुशंसाओं पर निर्भर करता है, प्रत्येक वर्ष अपने उपयोगकर्ता आधार और राजस्व को बढ़ाता रहता है। 2022 की चौथी तिमाही में, एक नए पसंदीदा गाने की खोज के वादे , जिसके परिणामस्वरूप 33 मिलियन शुद्ध जोड़ हुए हैं। ने प्लेटफॉर्म को 20% अधिक मासिक सक्रिय उपयोगकर्ता ला दिया है यदि आप अभी भी वक्र के पीछे हैं, तो यह एआई की शक्ति का उपयोग करने और कस्टम अनुशंसा इंजन के साथ अपने उपयोगकर्ता अनुभव में क्रांति लाने का समय है। एक शक्तिशाली अनुशंसा इंजन के साथ अपने समाधान को बढ़ाना चाहते हैं? । ITRex सलाहकारों से बात करें यहाँ भी प्रकाशित हुआ।
