Reclasificación

En la etapa final de un sistema de recomendación, el sistema puede volver a clasificar a los candidatos para considerar criterios o restricciones adicionales. Un enfoque de reclasificación es usar filtros que quiten algunos candidatos.

Ejemplo: Puedes implementar la reclasificación en un recomendador de video si haces lo siguiente:

1. Entrena un modelo independiente que detecte si un video es un cebo de clics.
2. Ejecutar este modelo en la lista de candidatos
3. Eliminar los videos que el modelo clasifica como cebo de clics

Otro enfoque de reclasificación es transformar manualmente la puntuación que muestra el clasificador.

Ejemplo: el sistema modifica la clasificación de la puntuación en función de los siguientes elementos:

• edad del video (quizás para promocionar contenido más reciente)
• duración del video

En esta sección, se analizan brevemente la actualidad, la diversidad y la equidad. Estos factores están entre muchos que pueden ayudar a mejorar tu sistema de recomendación. Algunos de estos factores suelen requerir la modificación de diferentes etapas del proceso. Cada sección ofrece soluciones que puedes aplicar de forma individual o colectiva.

Actualidad

La mayoría de los sistemas de recomendación tienen como objetivo incorporar la información de uso más reciente, como el historial de usuarios actual y los elementos más recientes. Mantener el modelo actualizado ayuda a que este haga buenas recomendaciones.

Soluciones

• Vuelve a ejecutar el entrenamiento con la mayor frecuencia posible para obtener información sobre los datos de entrenamiento más recientes. Te recomendamos que comiences el entrenamiento en caliente para que el modelo no tenga que volver a aprender desde cero. El inicio en caliente puede reducir significativamente el tiempo de entrenamiento. Por ejemplo, en la factorización de matrices, inicia en caliente las incorporaciones de los elementos que estaban presentes en la instancia anterior del modelo.
• Crear un usuario "promedio" para representar usuarios nuevos en modelos de factorización de matrices. No necesitas la misma incorporación para cada usuario; puedes crear clústeres de usuarios según sus funciones.
• Usa una DNN, como un modelo softmax o de dos torres. Dado que el modelo toma vectores de atributos como entrada, puede ejecutarse en una consulta o un elemento que no se vio durante el entrenamiento.
• Agrega la antigüedad del documento como un elemento. Por ejemplo, YouTube puede agregar la edad de un video o la hora de su última visualización como un atributo.

Diversidad

Si el sistema siempre recomienda los elementos "más cercanos" a la incorporación de consultas, los candidatos suelen ser muy similares entre sí. Esta falta de diversidad puede causar una experiencia del usuario negativa o aburrida. Por ejemplo, si YouTube solo recomienda videos muy similares al video que el usuario está mirando, como videos de búhos (como se muestra en la ilustración), es probable que el usuario pierda el interés rápidamente.

Soluciones

• Entrena varios generadores de candidatos con diferentes fuentes.
• Entrena a varios clasificadores con diferentes funciones objetivas.
• Vuelve a clasificar los elementos por género o metadatos para garantizar la diversidad.

Equidad

Tu modelo debe tratar a todos los usuarios de manera justa. Por lo tanto, asegúrate de que tu modelo no aprenda sesgos inconscientes a partir de los datos de entrenamiento.

Soluciones

• Incluye diversas perspectivas en el diseño y el desarrollo.
• Entrena modelos de AA con conjuntos de datos integrales. Agrega datos auxiliares cuando tus datos sean demasiado dispersos (por ejemplo, cuando ciertas categorías estén subrepresentadas).
• Realiza un seguimiento de las métricas (por ejemplo, precisión y error absoluto) en cada segmento demográfico para observar los sesgos.
• Crear modelos separados para grupos desfavorecidos