ترجمه فارسی مقاله ماشینهای فاکتورگیری میدانی وزندار با رتبه پایین برای توصیه اقلام با تأخیر کم
| عنوان مقاله به انگلیسی | Low Rank Field-Weighted Factorization Machines for Low Latency Item Recommendation |
| عنوان مقاله به فارسی | ماشینهای فاکتورگیری میدانی وزندار با رتبه پایین برای توصیه اقلام با تأخیر کم |
| نویسندگان | Alex Shtoff, Michael Viderman, Naama Haramaty-Krasne, Oren Somekh, Ariel Raviv, Tularam Ban |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 10 |
| دسته بندی موضوعات | Information Retrieval,Machine Learning,Machine Learning,بازیابی اطلاعات , یادگیری ماشین , یادگیری ماشین , |
| توضیحات | Submitted 22 July, 2024; originally announced August 2024. |
| توضیحات به فارسی | ارسال شده 22 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد. |
قیمت: 19,000 تومان
دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحهای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.
قیمت: 99,000 تومان
سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحهای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.
قیمت: 400,000 تومان
زمان تحویل: 2 تا 3 روز کاری
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
Factorization machine (FM) variants are widely used in recommendation systems that operate under strict throughput and latency requirements, such as online advertising systems. FMs are known both due to their ability to model pairwise feature interactions while being resilient to data sparsity, and their computational graphs that facilitate fast inference and training. Moreover, when items are ranked as a part of a query for each incoming user, these graphs facilitate computing the portion stemming from the user and context fields only once per query. Consequently, in terms of inference cost, the number of user or context fields is practically unlimited. More advanced FM variants, such as FwFM, provide better accuracy by learning a representation of field-wise interactions, but require computing all pairwise interaction terms explicitly. The computational cost during inference is proportional to the square of the number of fields, including user, context, and item. When the number of fields is large, this is prohibitive in systems with strict latency constraints. To mitigate this caveat, heuristic pruning of low intensity field interactions is commonly used to accelerate inference. In this work we propose an alternative to the pruning heuristic in FwFMs using a diagonal plus symmetric low-rank decomposition. Our technique reduces the computational cost of inference, by allowing it to be proportional to the number of item fields only. Using a set of experiments on real-world datasets, we show that aggressive rank reduction outperforms similarly aggressive pruning, both in terms of accuracy and item recommendation speed. We corroborate our claim of faster inference experimentally, both via a synthetic test, and by having deployed our solution to a major online advertising system. The code to reproduce our experimental results is at https://github.com/michaelviderman/pytorch-fm/tree/dev.
چکیده به فارسی (ترجمه ماشینی)
انواع دستگاه فاکتور سازی (FM) به طور گسترده ای در سیستم های توصیه ای که تحت نیازهای سخت و زمان تأخیر مانند سیستم های تبلیغاتی آنلاین کار می کنند ، مورد استفاده قرار می گیرند.FMS هر دو به دلیل توانایی آنها در مدل سازی تعامل با ویژگی های زوج در حالی که در برابر داده های پراکندگی داده ها و نمودارهای محاسباتی آنها است که استنباط و آموزش سریع را تسهیل می کند ، شناخته شده است.علاوه بر این ، هنگامی که موارد به عنوان بخشی از یک پرس و جو برای هر کاربر ورودی رتبه بندی می شوند ، این نمودارها محاسبه بخشی که از کاربر و زمینه های متن را فقط یک بار در هر پرس و جو محاسبه می کند ، تسهیل می کند.در نتیجه ، از نظر هزینه استنباط ، تعداد زمینه های کاربر یا زمینه عملاً نامحدود است.انواع پیشرفته تر FM ، مانند FWFM ، با یادگیری بازنمایی از تعاملات عاقلانه ، دقت بهتری را ارائه می دهند ، اما نیاز به محاسبه تمام اصطلاحات تعامل زوج به صراحت دارند.هزینه محاسباتی در هنگام استنتاج متناسب با مربع تعداد زمینه ها از جمله کاربر ، زمینه و مورد است.هنگامی که تعداد زمینه ها زیاد است ، این در سیستم هایی با محدودیت های تأخیر دقیق ممنوع است.برای کاهش این احتیاط ، هرس اکتشافی از فعل و انفعالات میدانی با شدت کم معمولاً برای تسریع در استنتاج استفاده می شود.در این کار ما جایگزینی برای اکتشافی هرس در FWFMS با استفاده از یک تجزیه و تحلیل با درجه پایین متقارن به علاوه متقارن ارائه می دهیم.تکنیک ما با اجازه دادن متناسب با تعداد زمینه های مورد ، هزینه محاسباتی استنباط را کاهش می دهد.با استفاده از مجموعه ای از آزمایشات در مجموعه داده های دنیای واقعی ، ما نشان می دهیم که کاهش درجه تهاجمی از هرس تهاجمی به طور مشابه ، هم از نظر دقت و هم از سرعت توصیه مورد استفاده می کند.ما ادعای خود را در مورد استنباط سریعتر به صورت تجربی ، هم از طریق آزمایش مصنوعی و هم با استقرار راه حل خود به یک سیستم تبلیغاتی آنلاین آنلاین تأیید می کنیم.کد برای بازتولید نتایج آزمایشی ما در https://github.com/michaelviderman/pytorch-fm/tree/dev است.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.