النشرة الإخبارية
Sed ut perspiciatis unde.
اكتشف كيف يقوم FinalMLP بتحويل التوصيات عبر الإنترنت: فتح التجارب الشخصية من خلال أبحاث الذكاء الاصطناعي المتطورة
تمت مشاركة هذا المنشور مع رافائيل جويديس.
لقد كان العالم يتطور نحو العصر الرقمي حيث يحصل كل شخص على كل ما يريده تقريبًا بنقرة واحدة. تأتي مزايا إمكانية الوصول والراحة والكمية الكبيرة من العروض مع تحديات جديدة للمستهلكين. كيف يمكننا مساعدتهم في الحصول على خيارات مخصصة بدلاً من البحث في محيط من الخيارات؟ هذا هو المكان الذي تأتي فيه أنظمة التوصية.
تعد أنظمة التوصية مفيدة للمؤسسات لزيادة البيع المتبادل ومبيعات العناصر طويلة المدى ولتحسين عملية اتخاذ القرار من خلال تحليل ما يحبه عملاؤها أكثر. ليس هذا فحسب، بل يمكنهم تعلم سلوكيات العملاء السابقة، وتصنيفها وفقًا لتفضيلات العملاء المحددة، وذلك في ضوء مجموعة من المنتجات. تعد المنظمات التي تستخدم أنظمة التوصية خطوة متقدمة على منافسيها لأنها توفر تجربة محسنة للعملاء.
في هذه المقالة، نركز على FinalMLP، وهو نموذج جديد مصمم لتحسين تنبؤات نسبة النقر إلى الظهور (CTR) في أنظمة الإعلان والتوصية عبر الإنترنت. من خلال دمج شبكتين إدراكيتين متعددتي الطبقات (MLP) مع ميزات متقدمة مثل طبقات التجميع والتفاعل، يتفوق FinalMLP على نماذج MLP التقليدية ذات الدفق الواحد ونماذج نسبة النقر إلى الظهور (CTR) المتطورة ثنائية الدفق. اختبر المؤلفون فعاليته عبر مجموعات البيانات القياسية واختبارات أ/ب الواقعية عبر الإنترنت.
إلى جانب تقديم عرض تفصيلي لـ FinalMLP وكيفية عمله، نقدم أيضًا شرحًا تفصيليًا حول تنفيذه وتطبيقه على مجموعة بيانات عامة. نحن نختبر دقتها في إعداد توصية الكتاب ونقيم قدرتها على شرح التوقعات، مع الاستفادة من البنية الثنائية التي اقترحها المؤلفون.
كما هو الحال دائمًا، الكود متاح على GitHub الخاص بنا.
رابط المصدر
اكتشاف المزيد من موقع علم
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
