vektorová reprezentace uživatele | AI slovník

Odborná definice

User embedding je hustý vektor, který reprezentuje uživatele na základě jeho interakcí, atributů, sekvence chování nebo společného učení s položkami. Model umiestňuje uživatelů s podobnými preferenciami do blízkych oblastí latentního prostoru a používá vektor na ranking, retrieval, segmentaci či predikci další akce. Embedding není stabilní identita ani úplný profil člověka. Mění se s daty a cílem, může zachytit citlivé korelace a při cold starte potřebuje obsahové příznaky nebo průměrnou inicializaci. Identifikátor uživatele a vektor mají oddělený retention režim, přičemž výmaz musí zasáhnout cache, indexy i tréninková příklady.

Srozumitelné vysvětlení

Streamovace služba nemusí uživatele popsat slovami. Z jeho sledování vytvoří vektor, který se dá porovnat s vektory filmů. Pokud jsou blízko, položka se dostane mezi kandidátů doporučení. Jiný model trénovaný na odchode zákazníka může vytvořit zcela jiný user embedding, protože optimalizuje jiný cíl. Vektor se navíc posouvá s novými interakcemi. Při auditování je třeba sledovat, jaké události ho vytvořili, jako dlho platí a či neodvodzuje chránené vlastnosti nepriamou cestou. Při hodnocení se sleduje nejen přesnost doporučení, ale i diverzita, dlhodobá spokojnost a rozdíly mezi používatelskými skupinami.

Časté otázky

Jak se user embedding učí v recommenderi?

Často spolu s item embeddingmi tak, aby pozorované interakce měli vysoké skóre a negativně nebo nevzorkované páry nižší. Používá se matrix factorization nebo neuronový model.

Jak se řeší nový uživatel bez historie?

Použijí se onboarding preference, kontext, obsahové atributy, popularita nebo průměrný vektor. Systém potom embedding aktualizuje z prvních interakcí.

Je jeden embedding použitelný pro všechny úlohy?

Ne nevyhnutelně. Reprezentace optimalizovaná na kliknutí může být nevhodná na dlhodobou spokojnost, riziko odchodu nebo bezpečnostní rozhodování.

Jako často se user embedding aktualizuje?

Od batch prepočtu raz denne po online aktualizaci po každé události. Frekvence závisí na rychlosti změny záujmů, nákladů a požadavků na konzistenci.

Jaké jsou privacy rizika?

Vektor může obsahovat odvozené citlivé signály, být zneužitý na reidentifikaci nebo prenášat historii po požadavku na výmaz. Potřebné jsou účelové omezení a retention pravidla.

Související pojmy

Zdroje a redakční stopa

Deep Neural Networks for YouTube Recommendations Neural Collaborative Filtering

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.