計分

在候選項目產生後，其他模型會評分並產生產生的候選項目，並選取要顯示的項目組合。推薦系統可有多個使用不同來源的候選產生器，例如：

示例

• 矩陣分解模型中的相關項目。
• 計入個人化作業的使用者功能。
• "Local" vs”distant”商品，也就是將地理資訊納入考量。
• 熱門或熱門商品。
• 社交圖形，也就是好友表示喜歡或推薦的項目。

系統會將這些不同的來源彙整成共同的候選項目清單，再由單一模型評分，並按照這項分數排序。舉例來說，系統可以訓練模型，以預測 YouTube 使用者觀看影片的可能機率，如下所示：

• 查詢功能 (例如使用者觀看記錄、語言、國家/地區、時間)
• 影片功能 (例如標題、標記、影片嵌入)

接著，系統可根據模型的預測，將候選集區集區中的影片排名。

為什麼不開放候選人產生器？

由於候選產生器會計算分數 (例如嵌入空間的相似度測量)，因此您可能會想將其用於排名。但基於下列原因，請避免這種做法：

• 有些系統依賴多個候選產生器。這些不同發電機的分數可能無法比較。
• 如果候選項目數量較少，系統便能使用更多功能和較複雜的模型，藉此更有效地擷取背景資訊。

選擇分數目標函式

如同 ML Issue Framing 簡介，機器學習可能會像許多人差不多的基因一起運作：非常高效地學習您提供的目標，但請務必謹慎留意。這項建議的品質也適用於建議系統。選擇評分函式可能會大幅影響項目的排名，最終影響了建議的品質。

例如：

按一下加號圖示，即可瞭解使用各項目標導致什麼影響。

盡量爭取點擊率

如果評分功能會最佳化點擊，系統可能會推薦誘餌式點擊影片。這項評分函式會產生點擊次數，但無法提供良好的使用者體驗。使用者'興趣可能很快就會消失。

盡量延長觀看時間

如果計分功能是針對觀看時間進行最佳化，系統可能會推薦較長的影片，這可能會導致使用者體驗不佳。請注意，多部手錶通常與一支長智慧手錶一樣實用。

增加多元性並最大化工作階段觀看時間

推薦較短的影片，但更有可能持續吸引使用者觀看。

評分中的偏誤

相較於螢幕上較高的項目，螢幕上顯示在畫面上的機率較低的項目不太可能獲得點擊。不過，在對影片進行評分時，系統通常不知道該連結在螢幕上的位置。查詢所有可能位置的模型過度昂貴。即使查詢多個位置的可行性，系統還是有可能找不到多個排名分數的一致性排名。

解決方案

• 建立與位置無關的排名。
• 將所有候選人排在頂端。