Puntuación

Después de la generación de candidatos, otro modelo puntúa y clasifica los candidatos generados para seleccionar el conjunto de elementos que se mostrarán. El sistema de recomendación puede tener varios generadores de candidatos que usan fuentes diferentes, como las siguientes:

Ejemplos

• Elementos relacionados de un modelo de factorización de matrices
• Funciones de usuario relacionadas con la personalización
• elementos locales frente a elementos distantes; es decir, teniendo en cuenta la información geográfica.
• Artículos populares o populares
• Un gráfico social, es decir, elementos que le gustan o recomiendan amigos

El sistema combina estas fuentes diferentes en un grupo común de candidatos que, luego, se puntúan con un solo modelo y se clasifican de acuerdo con esa puntuación. Por ejemplo, el sistema puede entrenar un modelo para predecir la probabilidad de que un usuario mire un video en YouTube de la siguiente manera:

• Funciones de búsqueda (por ejemplo, historial de reproducciones del usuario, idioma, país, hora)
• Funciones de video (por ejemplo, título, etiquetas, incorporación de video)

Luego, el sistema puede clasificar los videos en el grupo de candidatos según la predicción del modelo.

¿Por qué no dejar que califique el generador de candidatos?

Dado que los generadores de candidatos calculan una puntuación (como la medida de similitud en el espacio de incorporaciones), es posible que te sientas tentado de usarlas para hacer clasificaciones. Sin embargo, debes evitar esta práctica por los siguientes motivos:

• Algunos sistemas dependen de varios generadores de candidatos. Las puntuaciones de estos diferentes generadores pueden no ser comparables.
• Con un grupo más pequeño de candidatos, el sistema puede permitirse usar más atributos y un modelo más complejo que pueda capturar mejor el contexto.

Elige una función de objetivo para la puntuación

Como podrás recordar en la Introducción al enmarcado de problemas del AA, el AA puede actuar como un genio travieso: está muy contento de aprender el objetivo que proporcionas, pero debes tener cuidado con lo que deseas. Esta calidad traviesa también se aplica a los sistemas de recomendación. La elección de la función de puntuación puede afectar drásticamente la clasificación de los elementos y, en última instancia, la calidad de las recomendaciones.

Por ejemplo:

Haz clic en los íconos de signo más para saber qué sucede cuando usas cada objetivo.

Maximizar la tasa de clics

Si la función de puntuación optimiza los anuncios para obtener clics, los sistemas pueden recomendar videos de cebo de clics. Esta función de puntuación genera clics, pero no brinda una buena experiencia del usuario. El interés de los usuarios puede desvanecerse rápidamente.

Maximizar tiempo de reproducción

Si la función de puntuación se optimiza para el tiempo de reproducción, el sistema puede recomendar videos muy largos, lo que puede generar una mala experiencia del usuario. Ten en cuenta que varios relojes cortos pueden ser tan buenos como un reloj largo.

Aumenta la diversidad y maximiza el tiempo de reproducción de la sesión

Se recomienda usar videos más cortos, pero con más probabilidades de mantener la participación del usuario.

Sesgo posicional en la puntuación

Es menos probable que se haga clic en los elementos que aparecen más abajo en la pantalla que en los que aparecen más arriba. Sin embargo, al puntuar los videos, el sistema generalmente no sabe en qué parte de la pantalla aparecerá un vínculo a ese video. Consultar el modelo con todas las posiciones posibles es demasiado costoso. Incluso si era factible consultar varias posiciones, es posible que el sistema aún no encuentre una clasificación coherente en varias puntuaciones de clasificación.

Soluciones

• Crea clasificaciones independientes de la posición.
• Clasifica a todos los candidatos como si estuvieran en la primera posición de la pantalla.