في المرحلة الأخيرة من نظام الاقتراحات، يمكن للنظام إعادة ترتيب المرشحين من أجل مراعاة معايير أو قيود إضافية. من بين أساليب إعادة الترتيب استخدام الفلاتر التي تزيل بعض المرشحين.
هناك منهج آخر لإعادة الترتيب، وهو تحويل النتيجة التي يعرضها المصنِّف يدويًا.
يناقش هذا القسم بإيجاز الحداثة والتنوّع والإنصاف. وتشكّل هذه العوامل من بين العديد من العوامل التي قد تساعد في تحسين نظام الاقتراحات الخاص بك. تتطلب بعض هذه العوامل تعديل مراحل مختلفة من العملية. يقدّم كل قسم حلولاً يمكنك تطبيقها بشكل فردي أو جماعي.
الحداثة
تهدف معظم أنظمة الاقتراحات إلى دمج أحدث معلومات الاستخدام، مثل سجلّ المستخدمين الحاليين وأحدث العناصر. ويساعد تحديث النموذج باستمرار في تقديم النموذج بشكل جيد.
الحلول
- أعِد تشغيل التدريب كلما أمكن للتعرّف على أحدث بيانات التدريب. ننصح ببدء التدريب جيدًا حتى لا يضطر النموذج إلى إعادة التعلُّم من البداية. يمكن أن يؤدي التشغيل البطيء إلى تقليل وقت التدريب بشكل ملحوظ. على سبيل المثال، في عملية تحليل المصفوفة، ابدأ التشغيل المضمّن للعناصر التي كانت موجودة في المثيل السابق من النموذج.
- أنشئ مستخدمًا "متوسطًا" لتمثيل مستخدمين جدد في نماذج تصفية المصفوفة. لا تحتاج إلى تضمين التضمين لكل مستخدم، حيث يمكنك إنشاء مجموعات من المستخدمين استنادًا إلى ميزات المستخدمين.
- استخدام رقم DNN، مثل نموذج softmax أو نموذج من برجَين وبما أنّ النموذج يتطلّب متّجهي الميزات كإدخال، يمكن تشغيله في طلب بحث أو عنصر لم يتم رؤيته أثناء التدريب.
- إضافة عمر المستند كميزة. على سبيل المثال، بإمكان منصة YouTube إضافة عمر الفيديو أو وقت آخر مشاهدة كميزة.
تنوّع شرائح القوى العاملة
إذا كان النظام ينصح دائمًا بالعناصر التي تكون "&"close;"للطلب المضمّن، يميل المرشّحون إلى التشابه إلى حد كبير. قد يؤدي هذا التنوع إلى تجربة سيئة أو مملة للمستخدم. على سبيل المثال، إذا كانت منصّة YouTube تقترح فقط فيديوهات مشابهة إلى حدّ كبير للفيديوهات التي يشاهدها المستخدم حاليًا، كمشاهدة فيديوهات مميّزة فقط (كما هو موضّح في الرسم التوضيحي)، من المرجّح أن يفقد المستخدم اهتمامه بسرعة.
الحلول
- يمكنك تدريب العديد من المُنشئين للمرشحين باستخدام مصادر مختلفة.
- تدريب ترتيبات متعددة باستخدام وظائف موضوعية مختلفة
- إعادة ترتيب العناصر استنادًا إلى النوع أو البيانات الوصفية الأخرى لضمان التنوع
العدالة
يجب أن يراعي نموذجك جميع المستخدمين بشكل عادل. لذلك، تأكد من أن نموذجك لا يتعلّم الانحيازات غير الوعي من بيانات التدريب.
الحلول
- إدراج وجهات نظر متنوعة في التصميم والتطوير.
- تدريب نماذج تعلُّم الآلة على مجموعات البيانات الشاملة أضِف بيانات مساعدة عندما تكون بياناتك قليلة جدًا (على سبيل المثال، عندما تكون فئات معيّنة أقل تمثيلًا).
- تتبُّع المقاييس (مثل الدقة والخطأ المطلق) في كل فئة ديمغرافية لمراقبة حالات الانحياز.
- إنشاء نماذج منفصلة للمجموعات المحرومة من الخدمات.