Nella fase finale di un sistema di suggerimenti, il sistema può riclassificare i candidati per prendere in considerazione altri criteri o vincoli. Un approccio di nuovo ranking consiste nell'utilizzare filtri per rimuovere alcuni candidati.
Un altro approccio consiste nel trasformare manualmente il punteggio restituito dal ranking.
Questa sezione si concentra brevemente sull'aggiornamento, sulla diversità e sull'equità. Questi fattori sono tra i molti che possono aiutarti a migliorare il tuo sistema di suggerimenti. Alcuni di questi fattori spesso richiedono la modifica di diverse fasi del processo. Ogni sezione offre soluzioni che puoi applicare singolarmente o collettivamente.
Aggiornamento
La maggior parte dei sistemi di consigli mira a incorporare le informazioni di utilizzo più recenti, come la cronologia utente corrente e gli elementi più recenti. Mantenere aggiornato il modello aiuta il modello a dare consigli utili.
Soluzioni
- Ripeti la formazione il più spesso possibile per scoprire gli ultimi dati. Consigliamo di iniziare a caldo l'addestramento in modo che il modello non debba apprendere nuovamente da zero. L'avvio a caldo può ridurre notevolmente i tempi di addestramento. Ad esempio, nella fattorizzazione matriciale, avvia a caldo i incorporamenti per gli elementi presenti nell'istanza precedente del modello.
- Crea un utente "in media" per rappresentare nuovi utenti nei modelli di fattorizzazione della matrice. Non hai bisogno dello stesso incorporamento per ciascun utente: puoi creare cluster di utenti in base alle funzionalità degli utenti.
- Utilizza un DNN come un modello softmax o un modello a due torri. Dal momento che il modello accetta i vettori di caratteristiche, può essere eseguito su una query o un elemento che non è stato rilevato durante l'addestramento.
- Aggiungi l'età del documento come funzionalità. Ad esempio, YouTube può aggiungere come funzionalità l'età di un video o l'ora dell'ultima visualizzazione.
Diversità
Se il sistema consiglia sempre elementi che sono "più vicini" all'incorporamento della query, i candidati tendono a essere molto simili tra loro. Questa mancata diversità può compromettere l'esperienza utente. Ad esempio, se YouTube si limita a consigliare i video molto simili al video che l'utente sta guardando al momento, ad esempio solo i video dei gufi (come mostrato nell'illustrazione), probabilmente l'utente perderà rapidamente interesse.
Soluzioni
- Consente di addestrare più generatori candidati utilizzando diverse fonti.
- Formare più livelli utilizzando diverse funzioni oggettive.
- Riclassifica gli articoli in base al genere o ad altri metadati per garantire la diversità.
Correttezza
Il modello deve trattare tutti gli utenti in modo equo. Pertanto, assicurati che il tuo modello non stia imparando i bias inconsci dai dati di addestramento.
Soluzioni
- Includere prospettive diverse nel design e nello sviluppo.
- Addestramento di modelli di machine learning su set di dati completi. Aggiungi dati ausiliari quando i tuoi dati sono troppo limitati (ad esempio, quando determinate categorie sono sottorappresentate).
- Monitora le metriche (ad esempio, precisione e errore assoluto) su ciascun dati demografici per rilevare eventuali bias.
- Creare modelli separati per i gruppi svantaggiati.