Uporaba singularnega razcepa v priporočilnih sistemihFurlan, Nika (Avtor) Plestenjak, Bor (Mentor) Singularni razceppriporočilni sistemikoren povprečne kvadratne napakestohastični gradientni spustalternirajoči najmanjši kvadratiLeta 2006 je Netflix razpisal tekmovanje, katerega cilj je bil izboljšanje takratnega algoritma za napoved ocen, s katerimi bi uporabniki ocenili filme. Podatke, ki so jih o uporabnikih, filmih in ocenah dobili tekmovalci, predstavimo z matriko, katere elementi predstavljajo uporabnikovo oceno filma. Tekmovalci so popularizirali numerično orodje, ki se uporablja za zmanjšanje obsežnih podatkov, imenovano singularni razcep. Ta uporabnike in filme preslika v skupni navidezni prostor razsežnosti $k$. Cilj priporočilnega sistema je, da uporabniku priporoča filme oziroma napove s kakšno oceno bi jih vrednotil. Oceno uporabnika $u$ za film $i$ izračunamo s skalarnim produktom med vektorjema $p_u$ in $q_i$. Prvi predstavlja uporabnikove preference za določene navidezne lastnosti, kot so na primer, kako všeč mu je določen žanr, igralci, lokacija snemanja, itd. Drugi pa v kolikšni meri $i$-ti film poseduje posamezne navidezne lastnosti -- na primer kateremu žanru pripada, kateri igralci so v njem igrali in kje je bil film posnet. Kot mero uspešnosti predlaganih algoritmov so na tekmovanju uporabili koren povprečne kvadratne napake, pri čemer je napaka definirana kot razlika med dejansko in napovedano oceno. Slednjo dobimo prek singularnega razcepa. V optimizacijski problem minimizacije korena povprečne kvadratne napake uvedemo regularizacijski element, s katerim preprečimo preprileganje. Problem rešimo s stohastičnim gradientnim spustom ali alternirajočimi najmanjšimi kvadrati.20222022-09-28 08:15:02Delo diplomskega seminarja/zaključno seminarsko delo/naloga141295sl