Recommender Systems

Cursul Recommender Systems este conceput pentru ingineri ML care doresc să dobândească cunoștințe avansate și abilități practice în proiectarea și implementarea sistemelor de recomandare.

În cadrul acestui training intensiv de nivel avansat, vei explora module precum filtrare colaborativă și pe bază de conținut, factorizări matriciale, generarea de candidați, ranking și re-ranking, precum și modele bazate pe rețele neuronale — de la embeddings, Softmax și Item2Vec, până la autoencodere și variational autoencoders.

Prin laboratoare aplicate și proiect final în domeniul retail, cursul îți permite să aplici aceste tehnici pe cazuri reale, să optimizezi performanța recomandărilor și să dezvolți soluții scalabile, precise și personalizate.

Cursul Recommender Systems este conceput pentru ingineri ML care doresc să dobândească cunoștințe avansate și abilități practice în proiectarea și implementarea sistemelor de recomandare.

În cadrul acestui training intensiv de nivel avansat, vei explora module precum filtrare colaborativă și pe bază de conținut, factorizări matriciale, generarea de candidați, ranking și re-ranking, precum și modele bazate pe rețele neuronale — de la embeddings, Softmax și Item2Vec, până la autoencodere și variational autoencoders.

Prin laboratoare aplicate și proiect final în domeniul retail, cursul îți permite să aplici aceste tehnici pe cazuri reale, să optimizezi performanța recomandărilor și să dezvolți soluții scalabile, precise și personalizate.

Un sistem de recomandare are rolul de a identifica acele produse, servicii, filme, articole sau alte tipuri de conținut care au cea mai mare probabilitate de a fi relevante pentru un anumit utilizator. În spatele unei recomandări aparent simple se află însă un proces complex de colectare și interpretare a interacțiunilor, reprezentare a utilizatorilor și produselor, generare a unor candidați, evaluare a relevanței și ordonare a rezultatelor. În sistemele moderne, recomandarea este adesea tratată ca o arhitectură în mai multe etape, în care un prim mecanism selectează un număr redus de candidați dintr-un catalog foarte mare, iar modelele ulterioare îi evaluează și îi reordonează.

Cursul pornește de la fundamentele sistemelor de recomandare și de la exemple de utilizare întâlnite în servicii digitale importante, precum Google, platformele de advertising și Netflix. Această perspectivă este utilă pentru înțelegerea modului în care recomandarea poate deveni o componentă centrală a experienței utilizatorului și a strategiei de personalizare. Într-un magazin online, de exemplu, sistemul poate determina ce produse să fie afișate pe pagina principală, ce produse similare să fie prezentate după vizualizarea unui articol sau ce alte produse ar putea fi cumpărate împreună.

Un prim set de tehnici este reprezentat de metodele tradiționale de recomandare. Participanții vor lucra cu concepte precum distanța cosine și Singular Value Decomposition (SVD), inclusiv utilizarea SVD pentru factorizarea sistemelor de recomandare. Aceste metode oferă baza matematică necesară pentru înțelegerea modului în care interacțiunile dintre utilizatori și itemi pot fi reprezentate într-un spațiu cu dimensiuni mai reduse.

Factorizarea matricială este una dintre tehnicile clasice și importante din domeniul recommender systems. O matrice utilizator–item poate fi foarte mare și foarte rar populată, deoarece un utilizator interacționează doar cu o mică parte din totalul produselor disponibile. Prin factorizare, această matrice poate fi aproximată prin reprezentări latente de dimensiuni mai mici, în care utilizatorii și itemii sunt reprezentați prin vectori. Relația dintre acești vectori poate fi apoi utilizată pentru estimarea preferințelor și pentru identificarea unor itemi relevanți.

O componentă importantă a cursului este candidate generation, etapa în care sistemul selectează un set de itemi care merită analizați în continuare. Într-un catalog de dimensiuni mari, nu este eficient ca un model complex să evalueze fiecare produs pentru fiecare utilizator. Candidate generation reduce spațiul de căutare, iar metodele de content-based filtering și collaborative filtering pot fi utilizate pentru a identifica itemii potențial relevanți.

Content-based filtering utilizează caracteristicile itemilor și preferințele deduse din comportamentul utilizatorului pentru a identifica produse sau conținut similar. Dacă un utilizator manifestă interes pentru anumite produse, sistemul poate căuta alte produse care au caracteristici apropiate. Avantajul acestei abordări este că poate utiliza informații descriptive despre itemi, precum categorii, caracteristici, descrieri sau alte atribute disponibile.

Collaborative filtering abordează problema din perspectiva interacțiunilor dintre utilizatori și itemi. Ideea centrală este că tiparele colective de comportament pot furniza indicii despre preferințele individuale. Dacă mai mulți utilizatori au comportamente similare, interacțiunile lor pot fi folosite pentru a genera recomandări. Această metodă poate identifica relații care nu sunt evidente doar din caracteristicile descriptive ale produselor.

Cursul introduce apoi utilizarea rețelelor neuronale pentru construirea sistemelor de recomandare. Modelul Softmax și reprezentările de tip embedding permit transformarea utilizatorilor și itemilor în vectori într-un spațiu latent, unde apropierea dintre reprezentări poate fi utilizată pentru estimarea relevanței. Embeddings sunt importante deoarece oferă o reprezentare compactă a informației și permit folosirea unor tehnici eficiente pentru identificarea itemilor similari.

În acest context este introdus și Item2Vec, o metodă care adaptează ideea de reprezentare neurală a cuvintelor pentru a obține reprezentări ale itemilor. Item2Vec poate învăța relații între produse pe baza modului în care acestea apar împreună în interacțiunile utilizatorilor, producând vectori care pot fi utilizați pentru analiza similarității dintre itemi.

O altă etapă esențială este ranking-ul. După ce sistemul a generat un set de candidați, aceștia trebuie evaluați și ordonați astfel încât cele mai relevante rezultate să ajungă în partea de sus a listei. Într-o arhitectură modernă, procesul poate fi împărțit în retrieval, scoring și re-ranking. Fiecare etapă poate utiliza modele și criterii diferite, deoarece obiectivul este obținerea unui echilibru între relevanță, cost computațional, latență și experiența utilizatorului.

Re-ranking-ul permite aplicarea unei etape suplimentare de optimizare după calcularea scorurilor inițiale. Într-un scenariu comercial, de exemplu, rezultatele pot fi ajustate pentru a evita repetarea excesivă a acelorași tipuri de produse, pentru a introduce diversitate sau pentru a respecta anumite constrângeri ale aplicației. Astfel, recomandarea finală nu este determinată exclusiv de scorul unui model, ci poate ține cont și de obiectivele generale ale sistemului. Arhitecturile moderne tratează frecvent această etapă ca pe o componentă distinctă a pipeline-ului de recomandare.

Partea dedicată autoencoderelelor extinde utilizarea deep learning în domeniul recommender systems. Participanții explorează autoencoderele, spațiile latente și variational autoencoders, urmărind modul în care aceste arhitecturi pot învăța reprezentări compacte ale comportamentului utilizatorilor și ale relațiilor dintre itemi. Într-un sistem de recomandare, spațiul latent poate deveni o reprezentare a preferințelor care nu sunt observabile direct în datele inițiale.

Componenta practică are un rol important în structura cursului. Laboratoarele permit trecerea de la concepte matematice și algoritmice la implementări concrete, inclusiv calcularea SVD, aplicarea metodelor de factorizare, construirea de embeddings pentru filme, compararea sistemelor de recomandare și utilizarea unui variational autoencoder pentru recomandări.

Proiectul final este construit în jurul unui Retail Recommender System, oferind participanților posibilitatea de a integra conceptele studiate într-un scenariu apropiat de utilizarea comercială. Retailul este un domeniu în care sistemele de recomandare pot avea un impact direct asupra experienței utilizatorului, deoarece catalogul poate conține un număr foarte mare de produse, iar preferințele consumatorilor pot varia semnificativ. O soluție eficientă trebuie să combine relevanța personalizată cu performanța și capacitatea de scalare.

Pentru a participa eficient la curs, este necesară o bază solidă de Machine Learning și Deep Learning. Sunt recomandate cunoștințe anterioare despre neuroni, tipuri de straturi, rețele neuronale, funcții de loss, optimizatori, overfitting și TensorFlow/Keras. De asemenea, cursul presupune familiaritatea cu conceptele fundamentale de Machine Learning și cu implementarea modelelor de deep learning.

Aceste cunoștințe preliminare sunt importante deoarece obiectivul cursului nu este prezentarea de la zero a Machine Learning-ului, ci aplicarea acestor concepte într-un domeniu specializat. Participanții trebuie să poată înțelege modul în care un model este antrenat și evaluat, iar apoi să adapteze aceste principii la particularitățile datelor de recomandare.

Un alt aspect important este evaluarea performanței. Un sistem de recomandare nu poate fi considerat eficient doar pentru că produce rezultate aparent relevante. Trebuie analizate criterii precum calitatea retrieval-ului, precizia recomandărilor, ordonarea rezultatelor și comportamentul sistemului în diferite scenarii. În practică, evaluarea trebuie să țină cont atât de metrici offline, cât și de impactul asupra experienței utilizatorului și asupra obiectivelor organizației.

În ansamblu, Recommender Systems oferă o combinație între algoritmi clasici și tehnici moderne de deep learning. De la cosine distance, SVD și matrix factorization până la collaborative filtering, embeddings, Item2Vec, ranking, re-ranking și variational autoencoders, participanții construiesc treptat o perspectivă completă asupra modului în care sunt proiectate sistemele moderne de recomandare.