সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
সুপারিশ সিস্টেমের জন্য একটি সাধারণ আর্কিটেকচার নিম্নলিখিত উপাদানগুলি নিয়ে গঠিত:
প্রার্থী প্রজন্ম
স্কোরিং
পুনরায় র্যাঙ্কিং
প্রার্থী প্রজন্ম
এই প্রথম পর্যায়ে, সিস্টেমটি একটি সম্ভাব্য বিশাল কর্পাস থেকে শুরু হয় এবং প্রার্থীদের একটি অনেক ছোট উপসেট তৈরি করে। উদাহরণ স্বরূপ, ইউটিউবে প্রার্থী জেনারেটর কোটি কোটি ভিডিও কমিয়ে শত বা হাজারে কমিয়ে দেয়। কার্পাসের বিশাল আকারের কারণে মডেলটিকে দ্রুত প্রশ্নের মূল্যায়ন করতে হবে। একটি প্রদত্ত মডেল একাধিক প্রার্থী জেনারেটর প্রদান করতে পারে, প্রতিটি প্রার্থীর একটি ভিন্ন উপসেট মনোনীত করে।
স্কোরিং
এরপরে, অন্য একটি মডেল প্রার্থীদের স্কোর করে এবং র্যাঙ্ক করে যাতে ব্যবহারকারীর কাছে প্রদর্শনের জন্য আইটেমগুলির সেট (10 এর অর্ডারে) নির্বাচন করে। যেহেতু এই মডেলটি আইটেমগুলির একটি অপেক্ষাকৃত ছোট উপসেটকে মূল্যায়ন করে, তাই সিস্টেমটি অতিরিক্ত প্রশ্নের উপর নির্ভর করে আরও সুনির্দিষ্ট মডেল ব্যবহার করতে পারে।
পুনরায় র্যাঙ্কিং
অবশেষে, চূড়ান্ত র্যাঙ্কিংয়ের জন্য সিস্টেমটিকে অবশ্যই অতিরিক্ত সীমাবদ্ধতা বিবেচনা করতে হবে। উদাহরণস্বরূপ, সিস্টেমটি এমন আইটেমগুলি সরিয়ে দেয় যা ব্যবহারকারী স্পষ্টভাবে অপছন্দ করে বা নতুন সামগ্রীর স্কোর বাড়ায়। পুনরায় র্যাঙ্কিং বৈচিত্র্য, সতেজতা এবং ন্যায্যতা নিশ্চিত করতে সাহায্য করতে পারে।
আমরা ক্লাস চলাকালীন এই ধাপগুলির প্রতিটি নিয়ে আলোচনা করব এবং বিভিন্ন সুপারিশ সিস্টেম যেমন YouTube থেকে উদাহরণ দেব।
[[["সহজে বোঝা যায়","easyToUnderstand","thumb-up"],["আমার সমস্যার সমাধান হয়েছে","solvedMyProblem","thumb-up"],["অন্যান্য","otherUp","thumb-up"]],[["এতে আমার প্রয়োজনীয় তথ্য নেই","missingTheInformationINeed","thumb-down"],["খুব জটিল / অনেক ধাপ","tooComplicatedTooManySteps","thumb-down"],["পুরনো","outOfDate","thumb-down"],["অনুবাদ সংক্রান্ত সমস্যা","translationIssue","thumb-down"],["নমুনা / কোড সংক্রান্ত সমস্যা","samplesCodeIssue","thumb-down"],["অন্যান্য","otherDown","thumb-down"]],["2024-07-27 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["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."]]],[]]
