Akıllı kaçırma tavsiyesi okuma mı? İşin püf noktası, algoritmanın yeterince akıllı olmaması olabilir
Dün, "Halkın Günlüğü", "Haber Mo Algoritmalar Tarafından" Kaçırıldı "başlıklı bir makale yayınladı. Makale, teknik algoritmalara takıntılı bazı haber müşterilerinin giderek daha "basit ve kaba" hale geldiğine dikkat çekti. Bir makaleye tıkladıktan sonra, çok sayıda benzer içerikle hızlıca kaydırılacaksınız ve onu reddedemezsiniz. "Halkın Günlüğü" medyanın algoritmalar, trafik ve tıklamalar tarafından kaçırıldığına ve bu da haberlerin doğruluğuna, kapsamlılığına ve bağımsızlığına bağlılığı zayıflattığına inanıyor.
Yapay zekanın gelişmesiyle birlikte algoritma önerisi, bilim ve teknoloji çevreleri ve hatta medya çevreleri tarafından saygı duyulan teknik bir araç haline geldi. Uzun vadeli bir perspektiften bakıldığında, algoritma önerisi, teknoloji ve zamanın belirli bir ölçüde geliştiği durumlarda kaçınılmaz bir olgudur. Algoritma önerisi dünya çapında durdurulamaz bir trend haline geldi ve zamanın gelişmesiyle birlikte algoritma önerisi, gelecekte kaçınılmaz olarak ana içerik alanlarından biri haline gelecektir.
Elbette algoritma önerisi geliştirme sürecinde kaçınılmaz olarak bazı sorunlar ortaya çıkmaktadır. "People's Daily" makalesinde, algoritma önerisindeki basit ve kaba, düşük kaliteli gibi bir dizi eksikliğe işaret etti. Bu sorunlar mevcuttur ve önlenmemelidir. Mevcut algoritma önerisi çok popüler olmasına rağmen, daha mantıklı ve insancıl olması gerekiyor. Teknik seviye geliştirilebilir ve doğru tutum kurulabilirse bu sorunların ileride aşılabileceğine inanıyorum.
1. Pek çok algoritma önerisi türü vardır ve uygulama alanları daha kapsamlı hale gelmektedir
Algoritma önerisi, kullanıcıların bazı davranışlarını kullanmak ve kullanıcıların neyi sevebileceğini anlamak için matematiksel algoritmalar kullanmaktır. Öneri algoritmaları, kabaca içeriğe dayalı öneri algoritmalarına, işbirliğine dayalı filtreleme öneri algoritmalarına ve bilgiye dayalı öneri algoritmalarına ayrılabilir.
İçeriğe dayalı öneri algoritması, kullanıcının tercihlerine ve öneri için izlenen öğelere (Öğe) dayanmaktadır. Örneğin, "Reaper Is Coming" in ilk bölümünü izlerseniz, içerik tabanlı öneri algoritması bu filmin son dört filminin daha önce izlediğiniz içerikle yakından ilgili olduğunu bulacak ve onları önerecektir.
Bu yöntem, ürünün soğuk başlatma sorununu etkili bir şekilde önler. Sözde soğuk başlatma, öğenin izlenmemesi durumunda diğer öneri algoritmalarının nadiren tavsiye edeceği anlamına gelir. Ancak içeriğe dayalı öneri algoritması durum böyle değildir ve öneri davranışına ulaşmak için öğeler arasındaki ilişkiyi analiz edebilir.
Bununla birlikte, bu yöntemin dezavantajları da vardır, yani Öğe büyük ölçüde tekrarlanabilir. Örneğin, Malaysia Airlines hakkında bir haber okursanız, birçok tavsiye, görüntülediğiniz tavsiyeler veya hatta tutarlı içeriğe sahip haberler olabilir. Ek olarak, içerik tabanlı öneri algoritmalarının müzik ve film gibi multimedya içeriğinin özelliklerini çıkarması zordur, bu nedenle önerilerde bulunmak zordur. Mevcut çözüm, maliyetli ve çok uygun maliyetli olmayan bu kalemleri manuel olarak etiketlemektir.
İşbirliğine dayalı filtreleme algoritmasının ilkesi, benzer ilgi alanlarına sahip kullanıcıların hoşuna giden içeriği önermektir. Örneğin, arkadaşlarınız "Azrail Geliyor" u seviyorsa, size de tavsiye edeceklerdir.Bu, en basit, kullanıcı tabanlı işbirliğine dayalı filtreleme algoritmasıdır. Öğeye dayalı işbirliğine dayalı bir filtreleme algoritması da vardır. Her ikisi de tüm kullanıcı verilerini hesaplama için belleğe okur. Bu yöntemin eğitim süreci daha uzundur ancak eğitim tamamlandıktan sonra öneri süreci hızlıdır.
Bilgi tabanlı öneri algoritmaları, etki alanı ontolojisi oluşturarak veya belirli kurallar oluşturarak tavsiye edilir ve bu yöntemin bazıları içerik tabanlı öneri olarak sınıflandırılır.
Diğer bir yöntem, hibrit tavsiye algoritmasıdır, yani yukarıdaki yöntemler ağırlıklı, seri veya paralel bir şekilde birleştirilir.
Çeşitli algoritma önerilerine dayanarak, dünya çapındaki haber medyası, haberleri kullanıcılara iletmek için bu yöntemi yavaş yavaş kullanıyor.
Bu konuda en erken Facebook olmalıdır. 2012 yılında Facebook, reklamcılık alanında özelleştirilmiş hedef kitle işlevleri uygulamaya başladı ve "izleyici keşfi" kavramı yaygın olarak kullanıldı. Bir yıl önce, Facebook yeni bir dinamik mesaj hesaplama mekanizmasını duyurdu. Bu plan, algoritmayı iyileştirme sonuçlarına dayalı olarak binlerce kullanıcının katıldığı bir anketten gelmektedir. Bu bağlamda bir Facebook sözcüsü, okuma süresinin beğenilerden çok ilgiyi yansıttığını söyledi.
Bu anket aracılığıyla Facebook, beğenilere, yorumlara ve paylaşıma dayalı algoritmaların, hangi makalelerin kullanıcılar için daha anlamlı olduğunu göstermek için yeterli olmadığını buldu. Örneğin, insanlar arkadaşlarından gelen ciddi haberleri veya üzücü haberleri beğenmekten veya bunlara yorum yapmaktan hoşlanmazlar. Bu nedenle, makale tarama süresi, kullanıcıların ilgilendiği makale türlerini anlamak için gönderi sıralama mekanizmasına dahil edilir.
Şu anda, birçok yerel bilgi web sitesi, kullanıcıların ilgilendikleri içeriği tahmin etmek ve zorlamak için algoritmik önerilere de uygulanmaktadır. Algoritma önerisi yalnızca haber bilgilerine değil, diğer yönlere de uygulanabilir.
Örneğin, Amazon tarafından kullanılan genel öneri algoritması, öğe benzerliği ve kullanıcı göz atma gibi ve satın alma verileri, yani kullanıcı enlemi ve ürün enlemine dayalı işbirliğine dayalı bir filtreleme önerisidir.
Kullanıcılara güvenmediğinden ve ürünlerin benzerliğine dayandığından, soğuk başlatma problemi yaşanmayacaktır. Ancak, kullanıcılara bağlı olmadığı için oldukça katıdır ve kişiselleştirilmiş önerilerden yoksundur. Bu algoritma yaygın olarak bilinir, ancak algoritma ne kadar basitse, özellikle son derece düşük dönüşüm oranına sahip algoritma olmak üzere iyi sonuçlar elde etmek o kadar zor olur. Çin'de de bu algoritmayı uygulayan birçok e-ticaret platformu bulunmaktadır. Örneğin, "beğendiğinizi tahmin et" ve "benzer öneri" gibi işlevler, bu algoritmanın somut tezahürüdür.
İnternetin sürekli gelişmesiyle birlikte bir bilgi patlaması çağındayız. Geçmişteki bilgi eksikliği durumuyla karşılaştırıldığında, bu aşamadaki büyük veriler karşısında, bilgilerin taranması ve filtrelenmesi, sistemin kalitesini ölçmek için önemli bir gösterge haline gelmiştir. İyi bir kullanıcı deneyimine sahip bir sistem, kaçınılmaz olarak büyük miktardaki bilgiyi önce filtreleyecek ve filtreleyecektir ve işe yaramaz ve verimsiz kısımları ortadan kaldıracaktır.Kullanıcıya gösterilen, verimli olan veya kullanıcıyı ilgilendiren kısım olmalıdır.
Bu, yalnızca sistemin verimliliğini büyük ölçüde artırmakla kalmaz, aynı zamanda kullanıcılara bilgileri filtrelemek için zaman kazandırır. Daha önce, arama motorlarının ortaya çıkışı, bilgi tarama sorununu bir dereceye kadar çözmüştü, ancak bu yeterli olmaktan uzak, çünkü arama motorları da kullanıcıların aktif olarak tarama için anahtar kelimeler sağlamasını gerektiriyor. Kullanıcılar ihtiyaçlarını doğru bir şekilde tanımlayamadıklarında, arama motorlarının tarama etkisi büyük ölçüde azalacaktır.
Aslında pek çok faktörle sınırlı olduğu için, kullanıcıların kendi ihtiyaçlarını doğru bir şekilde etiketlemeleri de çok güçtür, bu da yukarıdaki sorunları iyi çözen ve kullanıcılar ile bilgi arasındaki bağlantı haline gelen öneri sistemlerinin ortaya çıkmasına neden olmuştur. Önemli köprü. Bir yandan, kullanıcılar değerli bilgileri kendileri için daha hızlı keşfedebilirler. Öte yandan, tüccarlar ve kullanıcılar için bir "kazan-kazan" durumu elde etmek için bilgi, ilgilenen izleyici önünde gösterilebilir.
Bununla birlikte, algoritma önerisinin yükseliş sürecinde aslında birçok sorun ortaya çıkmıştır.
2. Algoritma önerisi basit ve kaba ve geleceğin insancıllaştırılması ve zeki olması gerekiyor
Günümüzde yapay zeka, bilimsel ve teknolojik dünyada çok popüler bir kelime haline geldi.Birçok teknoloji "yapay zeka" ile yan yana olmak istiyor ve algoritma önerileri de bir istisna değil. Ancak gerçek durum, şu anda birçok platformda kullanılan algoritmaların "zeka" ile hiçbir ilgisinin olmaması, sadece basit ve kaba bir doğrusal teknolojinin olmasıdır.
Pek çok bilgi platformunun yaygın olarak kullandığı öneri yöntemleriyle başlayayım. Kullanıcı belirli bir içeriğe tıkladığında, takip ilgili içeriği önermeye devam edecektir. Bu, kullanıcının okuma yüzeyinin daralmasına neden olacaktır. Ek olarak, kullanıcılar bir şekilde tahammül edilemez olan dizgi yoluyla anahtar ve anahtar olmayan içeriği tamamen onaylayamazlar.
Aslında, şu anda yaygın olarak kullanılan algoritma gerçekten akıllı değil, finansal sermayeye benzer bir yöntem. Finansal yatırımcıların şirketin kendisini anlamasına gerek olmadığı gibi, değer katıp katmadığına odaklanın. Algoritmalara geçiş, gerçek içeriğin dijitalleştirilip sınıflandırılamayacağı, kategorize edilip edilemeyeceği ve geri bildirimi optimize edip edemeyeceği ile ilgilenmediğiniz anlamına gelir. Bu, muazzam miktarda bilgiyi işlemek için mevcut algoritmanın özüdür. Sermaye gibi, verimliliği artırabilir ve bireylerle çatışabilir.
Temelde, algoritmalar yoluyla içerik öneren mevcut haber bilgi platformu yalnızca yüzeysel bir fenomendir ve aslında bir kullanıcı davranışı veri toplayıcısı ve analizcisi olarak işlev görür. Her bilgi parçası kullanıcı için bir test sorusu olarak kabul edilebilir ve kullanıcının her tıklama ve yorumu, sistem tarafından kaydedilecek ve okuma süresi, etiketler, anahtar kelimeler vb. İle çok boyutlu bir veri matrisi oluşturacak bir cevaptır. Bu okuyucunun özelliklerini tasvir etmek için.
Elbette, bilgi şeklinde sunulan test soruları oldukça kabadır. Ancak, çoğu kullanıcı "testi" bilinçsiz bir şekilde tamamlar ve cevap daha gerçektir. Bu aslında bu tür platform teknolojilerinin ve iş modellerinin özüdür.
Esasen, bilgiye dayalı algoritma önerisi, kullanıcılara içerik önermekten başka bir şey değildir. Bu, esas olarak iki tür insanı etkileyecektir: üreticiler (medya) ve tüketiciler (kullanıcılar).
Üreticiler veya medya çalışanları için bu iyi bir haber çünkü artık kanal sorunları hakkında endişelenmenize gerek yok ve ürünlerinizi daha etkili, daha geniş ve hedefli hale getirebilirsiniz. Çünkü yüksek kaliteli içerik olduğu sürece bu tür platformlar yine de trafik vermekten ve kullanıcılara tavsiye etmekten mutluluk duyar. Elbette bu, medya profesyonellerinin kullanıcı ihtiyaçlarına duyarlılığını artırabilir ve kullanıcıların gözünde "iyi içeriğin" ne olduğu konusunda daha derinlemesine düşünebilir.
Kullanıcılar için algoritma önerisi, arama maliyetini büyük ölçüde düşürür, okuma verimliliğini artırır ve daha kapsamlı bilgi ve bilgi edinmeye elverişlidir. Ek olarak, bu tür bir bilgi platformunun ters itici gücü nedeniyle, medya profesyonelleri kullanıcı ihtiyaçları konusunda daha fazla endişe duyabilir. Bu, kullanıcıların kendileri için daha uygun içerik elde etmelerine izin vererek, bir dereceye kadar otoritenin yapısökümünün oluşmasına yardımcı olur.
Ancak sorun şu ki, mevcut algoritma önerisinin tek içerik ve dar yapı gibi bazı sorunları var. Temel sorun, algoritma tavsiyesinin henüz gerçekten "akıllı" olmamasıdır. Gerçekten yüksek kaliteli içerik, fikir çarpışmaları ve daha yenilikçi sözcüklerle orijinal olmalıdır. Ne yazık ki, teknik kısıtlamalar nedeniyle, mevcut algoritmalar bunları henüz öğrenmedi. Bilgi ve haber manevi üslup ve omurgadan yoksunsa, bunlar gerçek kalite olarak adlandırılamaz. Bilgi platformu için, görünüşü ile algoritma makinesi arasındaki çelişki hala mevcuttur.
Genel olarak, algoritma tabanlı bir bilgi platformu bir iş modeliyle her şeyi bastırmakla kalmamalı, aynı zamanda hem ideal hem de manevi içeriği de hesaba katmalıdır. Derin öğrenme ve diğer teknolojilerin gelişmesiyle birlikte, gerçekten yüksek kaliteli içerik üretmek için yapay zeka algoritma önerileri ile daha derinlemesine entegre edilmeli, teknoloji daha rasyonel ve insani olacak ve mevcut kusurların daha da üstesinden gelinecektir.
(Titanium Media Yazarı: En meraklılar, metin / Doğu da sonbahar)
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
