Pontuação

Após a geração do candidato, outro modelo pontua e classifica os candidatos gerados para selecionar o conjunto de itens a serem exibidos. O sistema de recomendações pode ter vários geradores candidatos que usam fontes diferentes, como as seguintes:

Exemplos

• Itens relacionados de um modelo de fatoração de matrizes.
• Recursos do usuário que consideram a personalização.
• Itens locais e/ou locais, ou seja, considerando as informações geográficas.
• Itens populares ou em alta.
• Um gráfico social, ou seja, itens marcados como "Gostei" ou recomendados por amigos.

O sistema combina essas diferentes fontes em um pool comum de candidatos que são pontuados por um único modelo e classificados de acordo com essa pontuação. Por exemplo, o sistema pode treinar um modelo para prever a probabilidade de um usuário assistir a um vídeo no YouTube considerando o seguinte:

• recursos de consulta (por exemplo, histórico de exibição do usuário, idioma, país, hora)
• recursos de vídeo (por exemplo, título, tags, incorporação de vídeo)

O sistema pode classificar os vídeos no pool de candidatos de acordo com a previsão do modelo.

Por que não permitir a pontuação do gerador candidato?

Como os candidatos candidatos calculam uma pontuação, como a medida de semelhança no espaço de incorporação, pode ser tentador usá-los para fazer a classificação também. No entanto, evite essa prática pelos seguintes motivos:

• Alguns sistemas dependem de vários geradores candidatos. As pontuações desses geradores podem não ser comparáveis.
• Com um pool menor de candidatos, o sistema pode arcar com o uso de mais recursos e um modelo mais complexo que pode capturar melhor o contexto.

Como escolher uma função de objetivo para pontuação

Como você deve se lembrar de Introdução ao problema de ML enquadramento, o ML pode agir como um gênio mal-intencionado: muito feliz em aprender o objetivo fornecido, mas você precisa ter cuidado com o que quer. Essa qualidade incrível também se aplica aos sistemas de recomendação. A escolha da função de pontuação pode afetar drasticamente a classificação de itens e, em última instância, a qualidade das recomendações.

Por exemplo:

Clique nos ícones de adição para saber o que acontece como resultado do uso de cada objetivo.

Maximizar a taxa de cliques

Se a função de pontuação otimiza para cliques, os sistemas podem recomendar vídeos com indutor de cliques. Essa função de pontuação gera cliques, mas não oferece uma boa experiência ao usuário. O interesse dos usuários pode desaparecer rapidamente.

Maximizar o tempo de exibição

Se a função de pontuação for otimizada para o tempo de exibição, o sistema poderá recomendar vídeos muito longos, o que pode levar a uma experiência do usuário ruim. Vários relógios curtos podem funcionar tão bem quanto um relógio longo.

Aumente a diversidade e maximize o tempo de exibição da sessão

Recomende vídeos mais curtos, mas aqueles com maior probabilidade de manter o engajamento do usuário.

Viés posicional na pontuação

Os itens que aparecem abaixo da tela têm menor probabilidade de serem clicados do que os itens que aparecem mais acima. No entanto, ao classificar vídeos, o sistema geralmente não sabe onde na tela um link para esse vídeo será exibido. Consultar o modelo com todas as posições possíveis é muito caro. Mesmo que a consulta de várias posições seja viável, o sistema ainda pode não encontrar uma classificação consistente em várias pontuações de classificação.

Soluções

• Crie classificações independentes de posição.
• Classifique todos os candidatos como se eles estivessem na primeira posição na tela.