एक अनुशंसा प्रणाली, या रिकमेंडर सिस्टम, एक सॉफ्टवेयर है जो उपयोगकर्ता की पसंद का पूर्वानुमान लगाता है और ऐसे आइटम सुझाता है, जैसे उत्पाद, फिल्में, संगीत, या समाचार लेख, जिन्हें उपयोगकर्ता पसंद कर सकता है। अनुशंसा प्रणालियाँ आधुनिक इंटरनेट के अधिकांश वैयक्तिकरण को संचालित करती हैं, ई-कॉमर्स उत्पाद सूचियों से लेकर वीडियो और संगीत स्ट्रीमिंग फ़ीड और सोशल मीडिया टाइमलाइन तक, और मशीन लर्निंग के सबसे आर्थिक रूप से महत्वपूर्ण अनुप्रयोगों में से हैं।
तकनीकें
दो शास्त्रीय दृष्टिकोण इस क्षेत्र पर हावी हैं। सहयोगात्मक फ़िल्टरिंग समान उपयोगकर्ताओं के व्यवहार से उपयोगकर्ता की पसंद का अनुमान लगाती है, बिना आइटम सामग्री को सीधे समझने की आवश्यकता के। सामग्री-आधारित फ़िल्टरिंग इसके बजाय उन आइटमों की सिफारिश करती है जो उपयोगकर्ता द्वारा पहले पसंद किए गए आइटमों के गुणों में समान होते हैं, आइटमों की विशेषताओं का उपयोग करके। नेटफ्लिक्स की 2006-2009 की खुली प्रतियोगिता, जिसमें उसकी सहयोगात्मक फ़िल्टरिंग सटीकता को 10% सुधारने के लिए $1 मिलियन का पुरस्कार था, एक ऐतिहासिक घटना थी जिसने मैट्रिक्स-फैक्टराइज़ेशन तकनीकों को लोकप्रिय बनाया और इस क्षेत्र की ओर मुख्यधारा का ध्यान आकर्षित किया; इसे 2009 में एक टीम ने जीता जिसने एन्सेम्बलिंग के माध्यम से कई मॉडलों को संयोजित किया। आधुनिक प्रणालियाँ तेजी से डीप लर्निंग का उपयोग कर रही हैं, उपयोगकर्ताओं और आइटमों को वेक्टर, या एम्बेडिंग के रूप में प्रस्तुत करती हैं, जिन्हें इस तरह सीखा जाता है कि समान उपयोगकर्ता और आइटम एक साझा स्थान में एक-दूसरे के करीब स्थित हों, जिन्हें फिर वेक्टर डेटाबेस और सिमेंटिक सर्च से संबंधित तकनीकों का उपयोग करके कुशलतापूर्वक खोजा जा सकता है। तंत्रिका नेटवर्क आर्किटेक्चर जैसे दो-टॉवर मॉडल और, 2020 के दशक से, ट्रांसफॉर्मर-आधारित अनुक्रम मॉडल जो उपयोगकर्ता के इतिहास को अगली संभावित अंतःक्रिया की भविष्यवाणी करने के लिए एक अनुक्रम के रूप में मानते हैं, बड़े प्लेटफार्मों पर आम हो गए हैं।
अनुप्रयोग और व्यावसायिक प्रभाव
अनुशंसा प्रणालियाँ अमेज़न के व्यावसायिक मॉडल के केंद्र में हैं, जिनके उत्पाद अनुशंसाएँ बिक्री का एक बड़ा हिस्सा संचालित करती हैं, नेटफ्लिक्स और यूट्यूब, जिनकी सामग्री अनुशंसाएँ अधिकांश देखने को संचालित करती हैं, स्पॉटिफाई की संगीत खोज, और टिकटॉक और इंस्टाग्राम जैसे सामाजिक प्लेटफार्मों, जहाँ फ़ीड-रैंकिंग एल्गोरिदम को व्यापक रूप से उपयोगकर्ता सहभागिता और विज्ञापन राजस्व चलाने का श्रेय दिया जाता है।
आलोचना
अनुशंसा प्रणालियों ने कई मोर्चों पर आलोचना आकर्षित की है। केवल सहभागिता के लिए अनुकूलित फ़ीड-रैंकिंग एल्गोरिदम को फ़िल्टर बुलबुले और ध्रुवीकरण से जोड़ा गया है, क्योंकि देखने के समय या क्लिक को अधिकतम करना सनसनीखेज या चरम सामग्री का पक्ष ले सकता है। आलोचकों ने एल्गोरिदमिक पूर्वाग्रह के बारे में भी चिंताएँ उठाई हैं, जहाँ ऐतिहासिक अंतःक्रिया डेटा पर प्रशिक्षित प्रणालियाँ किसे क्या अनुशंसित किया जाता है में मौजूदा असमानताओं को सुदृढ़ कर सकती हैं, और इन प्रणालियों की अपारदर्शिता के बारे में, एक मुद्दा जिसका अध्ययन व्याख्यात्मक एआई और व्याख्यात्मकता अनुसंधान के तहत किया जाता है, क्योंकि उपयोगकर्ता और नियामक अक्सर नहीं देख सकते कि किसी विशेष आइटम की सिफारिश क्यों की गई। गोपनीयता संबंधी चिंताएँ भी आम हैं, क्योंकि प्रभावी वैयक्तिकरण के लिए आमतौर पर विस्तृत व्यवहारिक डेटा एकत्र करने की आवश्यकता होती है। जैसे-जैसे बड़े भाषा मॉडल परिपक्व हुए हैं, कुछ प्लेटफार्मों ने संवादात्मक, एलएलएम-आधारित अनुशंसा इंटरफेस का पता लगाना शुरू कर दिया है जो उपयोगकर्ताओं को केवल अंतर्निहित व्यवहारिक संकेतों पर निर्भर रहने के बजाय प्राकृतिक भाषा में वर्णन करने की अनुमति देते हैं कि वे क्या चाहते हैं।