Na ostatnim etapie systemu rekomendacji system może ponownie ocenić kandydatów pod kątem dodatkowych kryteriów lub ograniczeń. Jednym ze sposobów zmiany pozycji jest zastosowanie filtrów usuwających część kandydatów.
Innym sposobem na zmianę rankingu jest ręczne przekształcenie wyniku zwróconego przez ranking.
W tej sekcji znajdziesz krótkie omówienie świeżości, różnorodności i uczciwości. Czynniki te pomagają między innymi ulepszyć system rekomendacji. Niektóre z tych czynników często wymagają modyfikacji różnych etapów procesu. Każda sekcja zawiera rozwiązania, które możesz zastosować pojedynczo lub zbiorczo.
Aktualność
Większość systemów rekomendacji bierze pod uwagę najnowsze informacje o korzystaniu, takie jak historia użytkownika i najnowsze elementy. Dbanie o to, aby model był aktualny,
Rozwiązania
- Uruchamiaj szkolenia jak najczęściej, aby poznać najnowsze dane. Zalecamy wcześniejsze uruchomienie trenowania, aby model nie musiał uczyć się od nowa. Uruchomienie częściowo z pamięci może znacznie skrócić czas trenowania. Na przykład podczas fabryki matrycy rozpoczynaj umieszczanie z wyprzedzeniem elementów, które znajdowały się w poprzedniej instancji modelu.
- Utwórz użytkownika &średniego, aby reprezentować nowych użytkowników w modelach rozkładu matrycowego. Nie potrzebujesz takiego samego umieszczania dla każdego użytkownika – możesz utworzyć klastry użytkowników na podstawie funkcji użytkowników.
- Użyj nazwy wyróżniającej, na przykład modelu softmax lub modelu z 2 wieżami. Jako dane wejściowe model wykorzystuje wektory cech, więc można go uruchomić w zapytaniu lub elemencie, które nie były widoczne podczas trenowania.
- Dodaj wiek dokumentu jako funkcję. Na przykład YouTube może dodać funkcję wieku filmu lub czas ostatniego oglądania.
Różnorodność
Jeśli system zawsze poleca elementy, które są „najbliższe” i najbliższe względem zapytania, kandydaci często są do siebie bardzo podobni. Brak różnorodności może negatywnie wpłynąć na wrażenia użytkowników. Jeśli np. YouTube poleca tylko filmy bardzo podobne do tych, które ogląda obecnie użytkownik (takie jak sowy), co widać na ilustracji, użytkownik prawdopodobnie szybko straci zainteresowanie.
Rozwiązania
- Szkolenie wielu generatorów kandydatów za pomocą różnych źródeł.
- Wytrenuj kilku weryfikatorów za pomocą różnych funkcji celu.
- Uporządkuj produkty według gatunku lub innych metadanych, aby zapewnić różnorodność.
Sprawiedliwość
Twój model powinien traktowanie wszystkich użytkowników w sposób uczciwy. Dlatego upewnij się, że Twój model nie uczy się nieświadomych odchylenia na podstawie danych treningowych.
Rozwiązania
- Projektuj i rozwijaj różne zagadnienia.
- trenować modele systemów uczących się w kompleksowych zbiorach danych; Dodaj dane pomocnicze, gdy są zbyt obszerne (np. gdy niektóre kategorie są niedostatecznie reprezentowane).
- Monitoruj dane (np. dokładność i błąd bezwzględny) w przypadku poszczególnych danych demograficznych, aby obserwować odchylenia.
- Utwórz osobne modele dla grup zmarginalizowanych.