Sparse Approximate Inverse for Enhanced Scalability in Recommender Systems
Název práce v češtině: | Zlepšování škálovatelnosti doporučovacích systémů pomocí řídkých přibližných inverzů |
---|---|
Název v anglickém jazyce: | Sparse Approximate Inverse for Enhanced Scalability in Recommender Systems |
Klíčová slova: | EASE^R|(Sparse) approximate inverse|recommender systems |
Klíčová slova anglicky: | EASE^R|(Sparse) approximate inverse|recommender systems |
Akademický rok vypsání: | 2022/2023 |
Typ práce: | diplomová práce |
Jazyk práce: | angličtina |
Ústav: | Katedra softwarového inženýrství (32-KSI) |
Vedoucí / školitel: | Mgr. Ladislav Peška, Ph.D. |
Řešitel: | Mgr. Martin Spišák - zadáno a potvrzeno stud. odd. |
Datum přihlášení: | 20.12.2022 |
Datum zadání: | 20.12.2022 |
Datum potvrzení stud. oddělením: | 31.03.2023 |
Datum a čas obhajoby: | 07.09.2023 09:00 |
Datum odevzdání elektronické podoby: | 20.07.2023 |
Datum odevzdání tištěné podoby: | 24.07.2023 |
Datum proběhlé obhajoby: | 07.09.2023 |
Oponenti: | Ing. Vojtěch Vančura |
Konzultanti: | prof. Ing. Miroslav Tůma, CSc. |
Zásady pro vypracování |
Embarrassingly Shallow AutoEncoder (EASE^R) je doporučovací model na princípe kolaboratívneho filtrovania, ktorý dosahuje výsledky na úrovni state-of-the-art na viacerých známych datasetoch. Medzi jeho výhody patrí existencia analytického riešenia, ale tréning modelu zahŕňa výpočet Gramovej matice príslušnej k matici používateľských hodnotení a následne výpočet jej inverzu. Natrénovaná váhová matica je hustá a môže byť príliš veľká na uloženie do pamäte, kvôli čomu je EASE^R nepoužiteľný na filtrovanie katalógov obsahujúcich priveľa položiek. Riešením tohto problému by mohlo byť nahradenie inverznej matice za jej riedku aproximáciu.
Riešiteľ najskôr získa prehľad v oblasti doporučovacích systémov, zameria sa primárne na techniky kolaboratívneho filtrovania (metódy na báze maticových rozkladov a hlbokého učenia) a význam autoenkodérov. Ďalej popíše model EASE^R (vrátane odvodenia analytického riešenia) a vysvetlí jeho prednosti a limitácie. Následne sa zoznámi s teóriou efektívnych výpočtov s riedkymi maticami, špeciálne s riedkym Choleského rozkladom, a rozoberie metódy výpočtu riedkych približných inverzov, používaných na konštrukciu predpodmienenia pre iteračné riešiče sústav lineárnych rovníc. Na základe špecifických vlastností problému riešiteľ vyberie vhodnú metódu na výpočet riedkeho približného inverzu (prípadne navrhne vlastnú) a porovná kvalitu modifikovaného doporučovacieho systému oproti pôvodnému modelu EASE^R na niekoľkých populárnych datasetoch. |
Seznam odborné literatury |
1. Ricci, Francesco & Rokach, Lior & Shapira, Bracha. (2022). Recommender Systems Handbook. https://link.springer.com/book/10.1007/978-1-0716-2197-4.
2. Kim Falk: Practical Recommender Systems, Manning, 2019 3. Steck, Harald. (2019). Embarrassingly Shallow Autoencoders for Sparse Data. 4. Benzi, M., & Tuma, M. (1999). A comparative study of sparse approximate inverse preconditioners. Applied Numerical Mathematics, 30, 305-340. 5. Benzi, Michele. (1996). A Sparse Approximate Inverse Preconditioner For The Conjugate Gradient Method. SIAM J Sci Comput. 17. 10.1137/S1064827594271421. 6. Huckle, T., Sedlacek, M. (2011). SPAI (SParse Approximate Inverse). In: Padua, D. (eds) Encyclopedia of Parallel Computing. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-09766-4_144 |