2021Các công cụ đề xuất đã trở nên phổ biến trong năm 2017 Cho dù đó là mua sắm trực tuyến, thực phẩm, âm nhạc hay thậm chí là hẹn hò trực tuyến, có rất nhiều sự cạnh tranh để cung cấp cho người dùng những đề xuất được cá nhân hóa Công nghệ cung cấp cho người dùng những gì họ cần dựa trên chiến lược mua hàng và tương tác kỹ thuật số của họ thực sự mạnh mẽ và ngày càng lan rộng Đương nhiên, tôi đã có hứng thú khám phá lĩnh vực này từ khá lâu Lần này, “Chương trình Kaggle BIPOC 2021'', tôi quyết định coi đây là một tỷ lệ cá cược bóng đá trực tuyến của chương trình

Mục đích của dự án là giới thiệu các tỷ lệ cá cược bóng đá trực tuyến được cá nhân hóa cho từng người dùng dựa trên lịch sử mua hàng của người dùng Để đạt được mục tiêu đó, sau khi thực hiện một số nghiên cứu, chúng tôi quyết định giới thiệu tính năng lọc cộng tác Lọc cộng tác sử dụng các tương tác trong quá khứ giữa người dùng và tỷ lệ cá cược bóng đá trực tuyến để đưa ra dự đoán thông minh về những tỷ lệ cá cược bóng đá trực tuyến mà người dùng sẽ thích Tôi sử dụng phương pháp nhân tố ma trận (Thuật toán nhân tử hóa ma trận) nổi tiếng nên chúng tôi quyết định sử dụng thuật toán này

Phân tích nhân tử ma trận là gì?

Nói một cách đơn giản, ma trận phân tích nhân tử là1hai ma trận2Đây là phương pháp phân tách thành hai ma trận tương đương và thu được ma trận ban đầu bằng cách nhân chúng Để mô hình hóa vấn đề đề xuất của chúng tôi như phân tích nhân tử ma trận, chúng tôi cần kết hợp các tương tác giữa người dùng và tỷ lệ cá cược bóng đá trực tuyến thành một ma trận duy nhất Ma trận này có tất cả người dùng dưới dạng hàng, tất cả tỷ lệ cá cược bóng đá trực tuyến dưới dạng cột và xếp hạng tỷ lệ cá cược bóng đá trực tuyến dưới dạng giá trị ma trận

Nói một cách đơn giản, thuật toán này dự đoán giá trị của các mục có nhãn "?" dựa trên các tỷ lệ cá cược bóng đá trực tuyến mà người dùng đã đánh giá Mô hình này làH2OaiGPUĐược xây dựng bằng gói vàGPUsklearnNMFĐạt được tốc độ xử lý nhanh hơn thư viện

Chuẩn bị tập dữ liệu

Bộ dữ liệu đánh giá của Amazonđể kết hợp các đánh giá và siêu dữ liệu từ các danh mục tỷ lệ cá cược bóng đá trực tuyến khác nhau và chuẩn bị cho việc xây dựng mô hình Khi chia tập dữ liệu đầu vào thành tập huấn luyện và tập kiểm tra, chúng ta phải lưu ý rằng danh sách người dùng và tỷ lệ cá cược bóng đá trực tuyến duy nhất trong tập kiểm tra là tập hợp con của những người dùng và tỷ lệ cá cược bóng đá trực tuyến trong dữ liệu huấn luyện Điều này là do thuật toán phân rã ma trận không phù hợp với người dùng mới (tức là người dùng chưa có lịch sử mua hàng) hoặc cho các tỷ lệ cá cược bóng đá trực tuyến mới (trong dữ liệu đào tạo, bất kỳ giao dịch mua hàng nào của người dùng)/Không thể đưa ra dự đoán cho các tỷ lệ cá cược bóng đá trực tuyến chưa được xếp hạng, vv)

Xây dựng mô hình

RMSElà ma trận đánh giá và siêu tham số (n_thành phần, lambda, max_iters) và chọn kết hợp dẫn đến sai số nhỏ nhất Sau đó, mô hình được tối ưu hóa cho toàn bộ tập dữ liệu (cả huấn luyện và kiểm tra) bằng cách sử dụng kết hợp tối ưu các siêu tham số được đề cập ở trên

Mặc dù tập dữ liệu này có đuôi dài nhưng sai số rất nhỏ và chúng tôi có thể thu được kết quả gần như khả quan Khi bạn thêm nhiều dữ liệu đào tạo hơn và mỗi người dùng có nhiều dữ liệu lịch sử hơn (lịch sử mua hàng đa dạng cho các danh mục khác nhau), thuật toán sẽ tìm hiểu tốt hơn và đưa ra đề xuất tốt hơn

Xây dựng ứng dụng web

tỷ lệ cá cược bóng đá trực tuyến cuối cùng của dự án làSóng H2OWebĐây là một ứng dụng Lịch sử mua hàng của người dùng ở bên trái, các tỷ lệ cá cược bóng đá trực tuyến được đề xuất hàng đầu cho mỗi người dùng ở bên phải10Lựa chọn của người dùng là50Việc này có thể được thực hiện bằng cách sử dụng trình đơn thả xuống đơn giản với một số người dùng được nhập Đây là bản demo nhanh của ứng dụng này

Sóng H2OLợi ích khi sử dụng1Thật dễ dàngPythonWebCó khả năng xây dựng ứng dụng Tôi không có nhiều kinh nghiệm về công nghệ front-end nên hơi lo lắng khi học một công nghệ front-end mới trong thời gian ngắn Tuy nhiên,Sóng H2Ogiúp quá trình này trở nên rất đơn giản Ngoài ra,MLTôi cũng hiểu rõ hơn về quy trình và những thách thức liên quan đến việc triển khai mô hình vào sản xuất

Bước tiếp theo là gì?

Bây giờ quy trình đã hoàn tất, chúng tôi hiện có thể xem xét nhiều cách triển khai khác nhau Ngoài việc kết hợp nhiều dữ liệu hơn vào đào tạo, sẽ rất thú vị khi phân tích các mô hình có thể nắm bắt các xếp hạng khác nhau cũng như thông tin hữu ích như điểm tương đồng Các cải tiến có thể có khác bao gồm:

• SVD、Giảm dần độ dốc
• Xem xét các chỉ số khác như giá trị dự đoán trung bình
• Thử các thuật toán khác, bao gồm các mô hình lọc, tăng cường và kết hợp dựa trên nội dung
• Hiểu tác động của đề xuất tỷ lệ cá cược bóng đá trực tuyến và dữ liệu bổ sung như đánh giá tỷ lệ cá cược bóng đá trực tuyến đối với hành vi mua hàng của người dùng
• Khám phá mối quan hệ giữa đề xuất mô hình và hành vi người dùng bằng cách kết hợp các vòng phản hồi

Mục tiêu là xây dựng các hệ thống có độ thông minh cao, có thể phát triển theo thời gian và mang lại trải nghiệm mượt mà cho người dùng

Tiêu đề gốc

(Chính thức)Blog H2Oai

Rohan Rao