BẮC KINH, 29 tháng 8 năm 2023 – WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” hoặc “Công ty”), một nhà cung cấp công nghệ Thực tế ảo Tăng cường Hologram (“AR”) hàng đầu thế giới, hôm nay thông báo rằng họ đã phát triển một công nghệ đột phá, mạng tự mã hóa chú ý cho hệ thống đề xuất hiệu quả, giúp nâng hệ thống đề xuất lên một tầm cao mới về độ chính xác, hiệu quả và trải nghiệm người dùng.
WiMi luôn cam kết thúc đẩy công nghệ đề xuất, và đột phá công nghệ mới nhất này sẽ cung cấp cho người dùng dịch vụ đề xuất cá nhân hóa và chính xác hơn. Công nghệ mới sử dụng mạng tự mã hóa và giới thiệu cơ chế chú ý để giải quyết các thách thức về dữ liệu không đủ, khởi động lạnh và quá tải thông tin tồn tại trong các hệ thống đề xuất truyền thống.
Trong nghiên cứu trước đây, hệ thống đề xuất phải đối mặt với vấn đề dữ liệu không đủ và khởi động lạnh. Với dữ liệu không đầy đủ, mạng tự mã hóa chú ý của WiMi có thể đạt được các đề xuất chính xác hơn trên dữ liệu không đủ bằng cách học thông tin thuộc tính của người dùng và mục và tự động trích xuất các tính năng đóng vai trò quan trọng trong kết quả đề xuất. Về vấn đề khởi động lạnh, công nghệ của WiMi có thể cá nhân hóa các đề xuất mà không cần dữ liệu lịch sử đầy đủ của người dùng bằng cách kết hợp thông tin thuộc tính của người dùng và mục để cung cấp trải nghiệm đề xuất tốt hơn cho người dùng mới.
Ngoài việc giải quyết vấn đề quá tải thông tin, mạng tự mã hóa chú ý của WiMi kết hợp thông tin thuộc tính của người dùng và mục để hiểu rõ hơn về sở thích và nhu cầu của người dùng, cung cấp dịch vụ đề xuất cá nhân hóa và chính xác hơn để giúp người dùng lọc và truy cập nội dung thực sự quan tâm họ.
Vấn đề dữ liệu không đủ: trong các hệ thống đề xuất, người dùng chỉ đánh giá một số lượng nhỏ các mục, trong khi hầu hết các mục không có phản hồi. Điều này khiến việc đạt được dịch vụ đề xuất thỏa đáng trở nên khó khăn. Kỹ thuật này giải quyết vấn đề bằng cách sử dụng thông tin thuộc tính của người dùng để cải thiện độ chính xác và phạm vi của các đề xuất.
Vấn đề khởi động lạnh: khởi động lạnh đề cập đến thiếu dữ liệu đầy đủ để đưa ra các đề xuất chính xác cho người dùng hoặc chương trình mới. Trong tình huống khởi động lạnh, các phương pháp lọc cộng tác truyền thống không thể cung cấp các đề xuất hiệu quả. Kỹ thuật này vượt qua vấn đề khởi động lạnh bằng cách giới thiệu thông tin thuộc tính của người dùng, cho phép đề xuất cá nhân hóa trong tình huống khởi động lạnh.
Vấn đề quá tải thông tin: với sự phát triển nhanh chóng của khoa học thông tin, con người phải đối mặt với một lượng lớn thông tin, dễ rơi vào tình trạng quá tải thông tin. Các hệ thống đề xuất truyền thống có xu hướng đưa ra đề xuất dựa trên hành vi của người dùng, bỏ qua nhu cầu và sở thích cá nhân hóa của người dùng. Công nghệ này sử dụng thông tin thuộc tính của người dùng để hiểu rõ hơn về sở thích và nhu cầu của người dùng, do đó cung cấp dịch vụ đề xuất cá nhân hóa hơn và giảm bớt vấn đề quá tải thông tin.
Đổi mới cốt lõi của sự phát triển công nghệ này của WiMi là việc giới thiệu cơ chế chú ý, cho phép mô hình tự động học tầm quan trọng của thông tin thuộc tính của người dùng và dự án, và động điều chỉnh trọng số của thông tin thuộc tính theo các kịch bản ứng dụng khác nhau. Theo cách này, công nghệ của WiMi có thể thích ứng linh hoạt hơn với sự khác biệt giữa các người dùng và dự án khác nhau và cung cấp dịch vụ đề xuất hiệu quả hơn.
Mạng tự mã hóa chú ý của WiMi là một khung công nghệ cho các hệ thống đề xuất hiệu quả, kết hợp tự mã hóa và cơ chế chú ý để cải thiện độ chính xác và hiệu quả của các đề xuất. Khung công nghệ này bao gồm tiền xử lý dữ liệu, mạng tự mã hóa, trích xuất đặc trưng người dùng và mục, cơ chế chú ý, tính toán và đánh giá đề xuất, huấn luyện và tối ưu hóa mô hình, lựa chọn và điều chỉnh siêu tham số.
Tiền xử lý dữ liệu: dữ liệu thô cần được tiền xử lý trước khi sử dụng mạng tự mã hóa chú ý. Điều này bao gồm các bước như xử lý dữ liệu, trích xuất đặc trưng và chuẩn hóa dữ liệu. Xử lý dữ liệu loại bỏ nhiễu và dữ liệu bất thường, trích xuất đặc trưng trích xuất thông tin thuộc tính hữu ích từ dữ liệu thô, và chuẩn hóa dữ liệu đưa các giá trị của các đặc trưng khác nhau về cùng một phạm vi để ổn định quá trình huấn luyện mô hình và tính toán đề xuất.
Mạng tự mã hóa: cốt lõi của mạng tự mã hóa chú ý là tự mã hóa. Một tự mã hóa là cấu trúc mạng nơ-ron bao gồm bộ mã hóa và giải mã. Bộ mã hóa chuyển đổi dữ liệu đầu vào thành biểu diễn có chiều thấp và bộ giải mã tái tạo biểu diễn chiều thấp thành dữ liệu đầu vào. Mục tiêu của tự mã hóa là giảm thiểu sai số tái tạo để dữ liệu được tái tạo càng giống với dữ liệu gốc càng tốt.
Trích xuất đặc trưng người dùng và mục: mạng tự mã hóa chú ý sử dụng thông tin thuộc tính của người dùng và mục để trích xuất đặc trưng. Đối với người dùng, các thuộc tính như thông tin cá nhân, hành vi và sở thích của người dùng có thể được sử dụng làm đầu vào. Đối với các mục, các thuộc tính như danh mục, nhãn, mô tả và đặc trưng nội dung của các mục có thể được sử dụng làm đầu vào. Bằng cách cho thông tin thuộc tính của người dùng và mục vào phần mã hóa của mạng tự mã hóa, các biểu diễn chiều thấp của người dùng và mục, tức là đặc trưng người dùng và mục, có thể được thu được.
Cơ chế chú ý: sau khi thu được đặc trưng người dùng và mục, cơ chế chú ý được giới thiệu để tự động học tầm quan trọng của thông tin thuộc tính người dùng và mục. Bằng cách cho các trọng số khác nhau cho các thông tin thuộc tính kh