Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Jedna z wspólnych architektur systemów rekomendacji składa się
następujące komponenty:
generacja kandydatów
ocena
ponowne rankingi
Generowanie kandydatów
Na tym pierwszym etapie system rozpoczyna się od potencjalnie ogromnego korpusu,
generuje znacznie mniejszy podzbiór kandydatów. Na przykład kandydat
pozwala na redukcję miliardów filmów w YouTube do setek, a nawet tysięcy.
Model musi szybko ocenić zapytania ze względu na ogromną liczbę
korpus. Każdy model może zapewniać wiele generatorów kandydatów, z których każdy wyznacza
do innej podgrupy kandydatów.
Wyniki
Następnie inny model przyznaje punkty i ocenia kandydatów w celu wyboru
zestaw elementów (w kolejności 10 elementów) do wyświetlenia użytkownikowi. Ponieważ
ocenia względnie niewielki podzbiór elementów, system może wykorzystać
bardziej precyzyjny model bazujący na dodatkowych zapytaniach.
Ponowne pozycjonowanie
System musi też uwzględnić dodatkowe ograniczenia
ostatecznego rankingu. Na przykład system usuwa elementy, które użytkownik
wyraźnie nie spodobały się widzom lub poprawiają wynik nowych treści. Ponowne pozycjonowanie
mogą też pomóc w zapewnieniu różnorodności, aktualności i sprawiedliwego traktowania treści.
Omówimy każdy z nich podczas zajęć i
podać przykłady z różnych systemów rekomendacji, takich jak YouTube.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 2024-07-26 UTC."],[[["Recommendation systems often use a three-stage architecture: candidate generation, scoring, and re-ranking."],["Candidate generation narrows down a large pool of potential recommendations to a smaller subset for further evaluation."],["Scoring assigns relevance scores to the candidates and ranks them to identify the top recommendations."],["Re-ranking adjusts the initial ranking to address additional factors like user preferences, diversity, and content freshness."]]],[]]
