Förstärkningsinlärning för rekommendationssystem – Utforskning av algoritmer och alternativa modeller för rekommendationer av bilder
Ladda ner
Publicerad
Författare
Typ
Examensarbete på grundnivå
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
Rekommendationssystem som drivs av maskininlärning är en viktig del av många
e-tjänster. De föreslår produkter, filmer, bilder och dylikt till användare i hopp
om att de ska vara intressanta och driva engagemang. Att rekommendationer är
välanpassade för varje användare är målet med ett rekommendationssystem och
maskininlärning används i växande utsträckning för detta ändamål. Ett paradigm
inom maskininlärning som visat sig högst aktuell för rekommendationssystem är
förstärkningsinlärning. Forskning kring användningen av förstärkningsinlärning för
rekommendationssystem är pågående och det finns rum för att experimentera. Denna
uppsats presenterar olika förstärkningsinlärningsalgoritmer och modeller som formulerats,
implementerats och utvärderats. De modellerna som visat sig mest lovande
avviker från ett handlingsrum som innehåller alla möjliga rekommendationer och
istället bedömer om en specifik rekommendation är bra eller inte. Resultaten visar
att denna princip är värd att undersöka ytterligare. Värdena på hyperparametrarna
och andra förutsättningar visar sig ha stor roll i hur algoritmerna presterar.
Som indata till modellerna har både träningsbara inbäddningslager och resultat från
faltningsnät testats. Det går inte att visa att faltningsnät presterar bättre än träningsbara
inbäddningslager och ytterligare undersökning av detta rekommenderas.
Beskrivning
Ämne/nyckelord
rekommendationssystem, maskininlärning, förstärkningsinlärning, algoritmer, modeller, träningsbara inbäddningslager, faltningsnät