ในขั้นตอนสุดท้ายของระบบการแนะนํา ระบบจะจัดอันดับผู้สมัครใหม่เพื่อให้พิจารณาเกณฑ์หรือข้อจํากัดเพิ่มเติม แนวทางการจัดอันดับใหม่อย่างหนึ่งคือใช้ตัวกรองที่นําผู้สมัครบางรายออก
วิธีการจัดอันดับใหม่คือการเปลี่ยนรูปแบบคะแนนที่แสดงโดยอันดับด้วยตนเอง
ส่วนนี้จะพูดถึงความใหม่ ความหลากหลาย และความยุติธรรมอย่างคร่าวๆ ปัจจัยเหล่านี้เป็นหนึ่งในหลายปัจจัยที่ช่วยปรับปรุงระบบการแนะนําของคุณได้ ปัจจัยเหล่านี้บางส่วนมักจะต้องปรับเปลี่ยนขั้นตอน ต่างๆ ของกระบวนการ แต่ละส่วนมีโซลูชันที่คุณอาจนําไปใช้แยกกันหรือเป็นกลุ่ม
ความใหม่
ระบบการแนะนําส่วนใหญ่จะมุ่งเน้นที่ข้อมูลการใช้งานล่าสุด เช่น ประวัติผู้ใช้ปัจจุบันและรายการล่าสุด การทําให้โมเดลใหม่อยู่เสมอ ช่วยให้โมเดลสามารถให้คําแนะนําที่ดีได้
เทคโนโลยี
- เรียกใช้การฝึกอบรมอีกครั้งให้บ่อยที่สุดเพื่อเรียนรู้ข้อมูลการฝึกอบรมล่าสุด เราขอแนะนําให้เริ่มการฝึกอบรมอย่างอบอุ่นเพื่อให้โมเดลไม่ต้องเรียนรู้ใหม่ตั้งแต่ต้น การเริ่มอุ่นเครื่องอาจลดเวลาการฝึกได้อย่างมาก เช่น ในแฟกทอเรียลเมทริกซ์ ให้เริ่มฝังรายการที่ปรากฏอย่างชัดเจนในอินสแตนซ์ก่อนหน้าของโมเดล
- สร้าง &"ค่าเฉลี่ย&โควต้า; ผู้ใช้เพื่อแสดงผู้ใช้ใหม่ในรูปแบบแฟกทอเรียลเมทริกซ์ คุณไม่จําเป็นต้องมีการฝังแบบเดียวกันสําหรับผู้ใช้แต่ละราย คุณสามารถสร้างคลัสเตอร์ผู้ใช้ตามฟีเจอร์ของผู้ใช้ได้
- ใช้ DNN เช่น รุ่น Softmax หรือโมเดล 2 หอคอย เนื่องจากโมเดลจะใช้เวกเตอร์ฟีเจอร์เป็นอินพุต จึงสามารถแสดงในคําค้นหาหรือรายการที่ไม่ได้เห็นระหว่างการฝึก
- เพิ่มอายุของเอกสารเป็นฟีเจอร์ เช่น YouTube จะเพิ่มอายุหรือจํานวนเวลาที่ดูวิดีโอครั้งล่าสุดเป็นฟีเจอร์ได้
ความหลากหลาย
ถ้าระบบแนะนํารายการที่ตรงกับเงื่อนไขการค้นหาเสมอ คําที่แนะนํามักจะคล้ายกันมาก การขาดความหลากหลายนี้อาจทําให้ผู้ใช้ได้รับประสบการณ์การใช้งานที่ไม่ดีหรือน่าเบื่อ เช่น หาก YouTube แนะนําเพียงวิดีโอที่คล้ายกับวิดีโอที่ผู้ใช้ดูอยู่เป็นจํานวนมาก เช่น ไม่มีวิดีโอใดเลยแต่วิดีโอนกฮูก (ดังที่แสดงในภาพประกอบ) ผู้ใช้อาจเสียความสนใจได้อย่างรวดเร็ว
เทคโนโลยี
- ฝึกอบรมโปรแกรมสร้างผู้สมัครที่หลากหลายโดยใช้แหล่งที่มาต่างกัน
- ฝึกให้พนักงานที่มีอันดับแตกต่างกันใช้ฟังก์ชันวัตถุประสงค์ที่แตกต่างกัน
- จัดอันดับสินค้าใหม่ตามประเภทหรือข้อมูลเมตาอื่นๆ เพื่อให้มีความหลากหลาย
ความยุติธรรม
โมเดลของคุณควรปฏิบัติต่อผู้ใช้ทั้งหมดอย่างยุติธรรม ดังนั้นให้ตรวจสอบว่าโมเดลไม่ได้เรียนรู้เกี่ยวกับอคติที่เกิดขึ้นโดยไม่รู้ตัวจากข้อมูลการฝึกอบรม
เทคโนโลยี
- มีมุมมองที่หลากหลายในการออกแบบและการพัฒนา
- ฝึกโมเดล ML ในชุดข้อมูลที่ครอบคลุม เพิ่มข้อมูลเสริมเมื่อข้อมูลน้อยเกินไป (เช่น เมื่อบางหมวดหมู่มีการนําเสนอน้อยไป)
- ติดตามเมตริก (เช่น ความแม่นยําและข้อผิดพลาดสัมบูรณ์) ในข้อมูลประชากรเพื่อจับดูการให้น้ําหนักพิเศษ
- ทําโมเดลแยกต่างหากสําหรับกลุ่มที่ด้อยประสิทธิภาพ