Deep Learning pour un système de recherche et de recommandation personnalisé, partie 1

Auteurs: Zhang Liang, Benjamin Le de LinkedIn, Nadia Fawaz de LinkedIn, Ganesh Venkataraman de LinkedIn, LinkedIn Résumé: L’apprentissage en profondeur a été réalisé dans la résolution de tâches complexes telles que la reconnaissance d’image (ImageNet), la reconnaissance vocale, la traduction automatique, etc. succès généralisé. En termes de systèmes de recommandation personnalisés, ces dernières années, le deep learning a commencé à montrer des progrès encourageants. La clé du succès de l’apprentissage en profondeur dans le système de recommandation personnalisé réside dans sa capacité à apprendre des représentations distribuées des attributs des utilisateurs et des produits dans un espace vectoriel dense de faible dimension et à les combiner pour recommander des produits connexes aux utilisateurs. Afin de résoudre le problème de l’évolutivité, la mise en œuvre de systèmes de recommandation au niveau Web utilise généralement des composants du système de recherche d’informations, tels que des index inversés. Dans les index inversés, les requêtes sont construites en fonction des attributs et du contexte des utilisateurs et apprennent à classer les technologies. . De plus, il s’appuie sur des modèles d’apprentissage automatique pour prédire la pertinence des éléments, comme le filtrage collaboratif. Dans ce didacticiel, nous avons présenté l’utilisation de l’apprentissage en profondeur pour améliorer le système de recommandation. Ce didacticiel est divisé en quatre parties: (1) Dans la première partie, nous décrirons les concepts de l’apprentissage en profondeur, qui sont liés aux systèmes de recommandation, y compris la modélisation de séquence, l’incorporation de mots et la reconnaissance d’entités nommées. (2) Dans la deuxième partie, nous présenterons comment utiliser ces éléments de base pour améliorer le système de recommandation à grande échelle. (3) La troisième partie présente quelques études de cas de systèmes de recommandation à grande échelle sur LinkedIn, ainsi que certains des défis auxquels nous sommes confrontés dans la production d’apprentissage en profondeur. Lien vers le didacticiel: pour plus d’informations sur la conférence KDD2017, veuillez consulter.