Применение мета-обучения для улучшения качества рекомендаций

Данная работа посвящена актуальной для машинного обучения проблеме: поиск наиболее эффективных по производительности алгоритмов создания рекомендаций. Для этого используется процесс обучения, основанный на предыдущем опыте – мета-обучение. Такое обучение позволяет учиться на опыте всех известных предыдущих задач различных предметных областей в то время, как базовый подход машинного обучения позволяет учиться только на опыте, накопленном по конкретной тематике. В работе описан общий вид системы мета-обучения и ее основные компоненты: мета-характеристики данных, мета-признаки, мета-ученики, а также их методы извлечения из задачи. Особенностью данной работы является применение мета-обучения на уровне запросов – микроуровне, в отличие от большинства работ, в которых мета-обучение применяется на уровне набора данных – глобальном уровне. В ходе исследования доказываются две гипотезы. Гипотеза первая: не существует базового алгоритма, одинаково качественно составляющего рекомендации для каждой пары пользователь-предложение. Гипотеза вторая: применение мета-обучение на микроуровне дает более качественные результаты, чем на глобальном уровне (следствие из первой). Результатом изучения приведенных гипотез на прототипе рекомендательной системы с мета-обучением на микроуровне достигается повышение качества прогнозирования рейтинга по метрике RMSE на 33% по сравнению с базовой моделью, что подтверждает достоверность выдвинутых гипотез.