Комментарии 11
Другой вопрос, временным разрешением и признаками. Для обучения используются метки добавления друзья с момента времени T, но у разных пользователей: «новичок», «социофоб», «с очень большим количеством друзей» и т.д., — разные изменения друзей за этот промежуток времени. Однако, мера ez_c(u, v) — обучается одинаково для всех или же там всё-таки неявно учитывается разный тип пользователей?
1) В целом да. Мы считаем разные признаки о возможной дружбе u и v в эго-графе c. Определить, что u и v из разных социальных кругов относительно c может помочь, например, признак — число общих друзей у v и c. Если мы строим предсказания для u, при этом u и c — одноклассники, а v — бабушка c (явно нерелевантный кандидат в ранжирование для u), то у v и c скорее всего будет мало общих друзей, а у u и c — много. Модель сможет выучить, что в таких случаях v — нерелевантный кандидат для u.
2) Всю такую информацию про активность u можно также представить в виде признаков. Поэтому «поддержать» учет разных типов пользователей можно через такие признаки: модель будет понимать что u активный, поэтому у него будет одно поведение, либо наоборот — он редко добавляет друзей, поэтому поведение у него другое.
2) Да, конечно. Но немного не понятен вопрос с обучением при определенном временном разрешении и статистической значимости событий добавления в друзья. Ведь в целом количество меток о добавлении всегда много меньше, чем пар, которые так и не стали дружить, да и за небольшой момент времени не так много этих событий наберется.
Понимаю, что в целом, если обучать на всех пользователях соцсети, то можно брать и небольшой период времени. Но интересно насколько релевантно работает модель при быстрых изменениях эго-графов, которые могут быть связаны с поступлением в университет или сменой места работы конкретного пользователя.
P.S. Спасибо за статью! Интересно и познавательно!
Помнится мне одна дождливая ночь Петербурга, осенью 2017 года, когда я искал удовольствие и утешение в ласках Милены и её коллеги по цеху(не помню имя) в одном злачном борделе. Который находился между магазином, в котором можно было купить алкоголь в первом часу ночи пьяному работяге, и съемной квартирой.
Чудесная ночь с двумя жрицами любви и обилием выпивки прошла быстро, окончившись с первыми лучами солнца, которого не видно в сем прекрасном городе. Организм смог проснутся ближе к вечеру, с осознанием того, что вся сумма за квартиру благополучно потрачена.
Но большее удивление принес фейсбук, который предложил подружиться с Настей из Самары, которая прошлой ночью была Миленой… В тот вечер я осознал всю мощь алгоритмов фб и их пугающий характер. Ведь телефона с собой у меня прошлой ночью не было, наученый горьким опытом по пьяни не брать с собой дорогие вещи в магазины с ночной выпивкой.
А вот вк… Вк мне до сих пор рекомендует мертвые сообщества, в которых последний пост выходил более года назад или полумертвую группу с четырьмя новыми постами за последние пол года. Аналогичная ситуация и с друзьями, но примем факт того, что я интроверт, общаясь с небольшим количеством людей, и само по себе предсказания алгоритмов для меня усложняются. Надеюсь, что вк и его команда значительно преуспеет в своих разработках. Ребят, успехов вам!
Рекомендации друзей ВКонтакте: ML на эго-графах