推薦系統 相關 AI 術語

行為預測是機器學習技術，透過分析歷史數據，識別模式，進而預測個體或群體的未來行為，應用於推薦、風險管理等。

BM25 (Best Matching 25) 是一種用於資訊檢索的排序函數，它基於詞頻和逆文檔頻率，並考慮了文檔長度的影響，以提高檢索的準確性。

點擊率預測旨在預估使用者點擊特定廣告或連結的可能性，是數位廣告和推薦系統的核心技術。

冷啟動問題是指在推薦系統中，對於新使用者或新物品，由於缺乏足夠的互動資料，導致無法準確推薦的問題。常見解決方案包括利用元資料、內容過濾或混合推薦。

協同過濾是一種推薦系統技術，透過分析使用者行為或偏好，預測使用者可能感興趣的項目，例如商品、電影或音樂。

內容過濾推薦是一種推薦系統方法，它基於用戶過去互動過的項目內容特徵，向用戶推薦相似的項目。它分析項目描述，並匹配用戶偏好。

根據物品的內容特徵與用戶的歷史偏好相似度，推薦相似物品。無需依賴其他用戶信息，適合新物品和冷啟動場景。

餘弦相似度是一種衡量兩個非零向量之間夾角餘弦值的度量方法，常用於評估文本或資料點之間的相似程度。

深度協同過濾結合深度學習與協同過濾，利用神經網路學習使用者和物品的隱藏表示，以提升推薦準確度，尤其在處理複雜互動模式時。

利用深度神經網路學習用戶與物品的複雜非線性互動，自動提取高階特徵，實現精細化個性化推薦。

嵌入矩陣是深度學習中將離散變數映射為連續稠密向量的權重矩陣，能有效捕捉詞彙或特徵間的語意與結構關聯性。

當使用者對領域不熟悉、目標模糊時，透過反覆查詢與學習來釐清資訊需求並獲取新知的資訊檢索過程。

用低秩因子向量建模特徵間的二階交互作用，兼具線性模型的效率和特徵交互學習的能力。

圖神經網路(GNN)是一種用於處理圖結構資料的深度學習模型，能學習節點、邊和圖的表示，並用於節點分類、連結預測和圖分類等任務。

高基數特徵（High Cardinality）指某個類別型特徵包含大量不同取值的情況，例如用戶 ID、商品 SKU、地理位置等可能有數萬至數百萬種取值，直接進行 One-Hot 編碼會導致維度爆炸，需

混合搜尋結合了多種搜尋技術，例如關鍵字搜尋和語義搜尋，以提高搜尋結果的相關性和準確性，提供更全面的資訊。

使用者在與推薦系統互動時被動產生的行為信號（如點擊、購買、停留時間），相對於明確評分等顯式回饋，隱式回饋資料量更大但含義更模糊。

內積是計算兩向量相似度與投影關係的數學運算。在機器學習中用於衡量特徵相關性，為神經網路的核心基礎。

探索不足是指代理人過早專注於已知的高回報行為，未充分嘗試其他未知行為，導致陷入局部最佳解的現象。

K 近鄰演算法（K-Nearest Neighbors, KNN）是一種非參數式監督學習演算法，透過尋找訓練集中距離最近的 K 個樣本進行多數投票（分類）或加權平均（回歸），無需建立顯式的模型參數。

將排序問題轉化為機器學習任務，透過訓練排序模型預測查詢-文檔對的相關性，自動優化排序順序。

一種結合位置上下文與語言模型的個人化 AI 框架，使模型能根據使用者的地理位置、行動軌跡與空間情境提供更精準的推薦或回應。

指時序資料裡跨度極大的長程關聯性，或資料集中呈現數量極少但種類繁多的極端不平衡長尾樣本分佈現象。

在數據分布遵循長尾分布的任務中進行學習，其中少數類別擁有大量樣本，多數類別樣本稀缺。

矩陣分解是一種將矩陣分解為兩個或多個矩陣乘積的技術，常應用於推薦系統，以預測用戶對未評分項目的偏好。

矩陣分解推薦是一種推薦系統技術，它將用戶-項目互動矩陣分解為兩個低維矩陣，分別代表用戶和項目的隱含特徵，用於預測用戶對未互動項目的偏好。

深度混合是一種模型架構，它結合了多個不同深度的子網路，以提升模型的表達能力和泛化能力，並允許模型根據輸入動態調整其深度。

多代理系統是由多個獨立自主的代理（Agent）組成的計算機系統，這些代理透過相互溝通、協調與合作，共同解決複雜問題或達成特定目標。

一種最佳化技術，用於在訓練模型時高效選擇負例，尤其在推薦系統和NLP中。

巢狀欄位是一種資料結構，指一個欄位內部包含其他子欄位，形成階層關係，常用於表示複雜或半結構化資料，提升資料組織與查詢效率。

NDCG 是評估排序系統性能的重要指標。它基於相關性等級進行計算，強調靠前結果的重要性，廣泛應用於搜索引擎和推薦系統的評估。

線上學習是一種機器學習方法，模型在接收到每個新資料點後立即更新，無需儲存所有資料或進行批次訓練，適用於資料流場景。

優化物品對的相對順序，確保相關物品排在不相關物品之前。計算複雜度與效果的良好平衡點。

一種分散式機器學習架構，專門負責儲存與更新全域模型參數，並與多個工作節點進行通訊與資料同步。

即時推論是指模型在接收到單個輸入後立即進行預測，適用於需要快速響應的應用，例如線上推薦或詐欺檢測。

倒數排名融合是一種無需依賴絕對分數的結果融合技術。它透過計算文件在多個獨立檢索系統中排名的倒數並進行加總，藉此產生綜合多方結果的最終排名。

利用圖資料結構模擬使用者與物品間的複雜互動關聯，藉由捕捉高階網路拓樸特徵以提升推薦精準度與多樣性。

推薦系統是一種利用演算法預測使用者對物品偏好的資訊過濾系統，旨在幫助使用者發現感興趣的內容，並提升平台互動與銷售。

重排序模型是一種在初步檢索後，對候選結果進行重新排序的技術，旨在提升檢索結果的相關性和準確性，通常使用更複雜的模型。

機器人理財顧問是一種使用演算法和人工智慧來提供自動化投資建議和管理服務的平台，旨在降低投資門檻和成本。

基於會話推薦利用使用者單次瀏覽會話內的行為序列，預測使用者下一步可能感興趣的項目，無需使用者歷史資料。

奇異值分解（SVD）是一種將矩陣分解為三個矩陣乘積的技術，廣泛應用於降維、推薦系統和資料壓縮等領域。

社群網路分析是利用圖論與網路理論探討實體間關係特徵的方法，常被用於發掘意見領袖與偵測資訊流動路徑。

稀疏檢索是一種資訊檢索方法，它使用稀疏向量來表示查詢和文檔，向量中的非零元素通常表示詞彙的存在或重要性。

向量資料庫是一種專門儲存和檢索向量嵌入的資料庫，能高效處理高維度資料的相似性搜尋，廣泛應用於推薦系統和語義搜尋。

結合廣義線性模型與深度神經網路的混合機器學習架構，同時具備記憶歷史特徵組合能力與推廣未見特徵能力的優勢。

結合寬線性模型和深度神經網絡的混合機器學習架構，寬部分用於學習特徵組合，深部分用於學習高階特徵交互，常用於推薦系統和分類任務

根據用戶的個別偏好、歷史互動與明確反饋動態調整 AI 系統行為的個人化對齊技術。