Eine gemeinsame Architektur für Empfehlungssysteme besteht aus den folgenden Komponenten:
- Kandidatengenerierung
- Bewertung
- Reranking
Kandidatengenerierung
In dieser ersten Phase beginnt das System mit einem potenziell riesigen Korpus und generiert eine viel kleinere Teilmenge von Kandidaten. Der Kandidatengenerator in YouTube reduziert beispielsweise Milliarden von Videos auf Hunderte oder Tausende. Das Modell muss Abfragen angesichts der enormen Größe des Korpus schnell bewerten. Ein bestimmtes Modell kann mehrere Kandidatengeneratoren bereitstellen, die jeweils eine andere Teilmenge von Kandidaten nominieren.
Bewertungen
Als Nächstes bewertet und sortiert ein anderes Modell die Kandidaten, um die Elemente (in der Reihenfolge 10) auszuwählen, die dem Nutzer angezeigt werden sollen. Da mit diesem Modell eine relativ kleine Teilmenge von Elementen bewertet wird, kann das System ein genaueres Modell anhand zusätzlicher Abfragen verwenden.
Reranking
Außerdem muss das System weitere Einschränkungen für das endgültige Ranking berücksichtigen. Beispielsweise werden vom System Elemente entfernt, die dem Nutzer explizit nicht gefallen haben, oder die Punktzahl neuerer Inhalte erhöhen. Das Reranking kann auch zu mehr Vielfalt, Aktualität und Fairness beitragen.
Wir werden im Laufe des Kurses auf jede dieser Phasen eingehen und Beispiele aus verschiedenen Empfehlungssystemen wie YouTube nennen.