评分

生成候选集后，另一个模型会对生成的候选网络进行评分和排名，以选择要显示的一组项。推荐系统可能有多个使用不同来源的候选生成器，例如：

示例

• 矩阵分解模型中的相关项。
• 考虑个性化的用户功能。
• “本地”与“远距离”项；也就是说，考虑地理信息。
• 热门商品或潮流商品。
• 社交图谱，即朋友喜欢或推荐的商品。

系统会将这些不同来源合并成一个共同的候选池，然后由单个模型进行评分，并根据该得分进行排名。例如，系统可训练模型来预测用户在 YouTube 上观看视频的概率，前提是符合以下条件：

• 查询功能（例如，用户的观看记录、语言、国家/地区、时间）
• 视频功能（例如标题、标签、视频嵌入）

然后，系统可以根据模型的预测对候选池中的视频进行排名。

何不让候选生成器得分？

由于候选生成器会生成分数（例如嵌入空间中的相似度测量），因此您可能很想用它们进行排名。不过，您应出于以下原因避免这种做法：

• 有些系统依赖于多个候选生成器。这些不同生成器的得分可能没有可比性。
• 由于候选池较少，系统能够使用更多功能和更复杂的模型，这些模型可以更好地捕获上下文。

选择客观函数进行评分

您可能记得在机器学习问题构建简介中，机器学习可以像恶作剧的天才一样：非常了解您所提供的目标，但您必须留心实现目标。这种不当的质量也适用于推荐系统。评分功能选择会显著影响商品的排名，并最终影响商品推荐的质量。

示例：

点击加号图标可了解使用各个目标所产生的影响。

尽可能争取更多点击次数

如果评分函数针对点击进行优化，系统可能会推荐点击诱饵视频。此评分函数会生成点击，但不会带来良好的用户体验。用户兴趣可能会快速消失。

尽可能增加观看时长

如果评分功能针对观看时长进行优化，系统可能会推荐非常长的视频，这可能会导致用户体验不佳。请注意，多短手表可以比长手表长。

提高多样性，尽可能提高观看时长

推荐较短的视频，但更有可能吸引用户互动的视频。

得分调整中的位置偏差

相较于在屏幕靠高的项目，在屏幕靠低的项上点击的可能性要低。但是，对视频进行评分时，系统通常不知道视频的链接最终会显示在屏幕的哪个位置。查询具有所有可能位置的模型费用太高。即使查询多个位置可行，系统可能仍然无法在多个排名分数中找到一致的排名。

解决方案

• 创建与排名无关的排名。
• 将所有候选视频都视为位于屏幕上的最高排名。