Descripción general de los sistemas de recomendación
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Una arquitectura común para sistemas de recomendación consta de
los siguientes componentes:
generación de candidatos
puntuación
reclasificación
Generación de candidatos
En esta primera etapa, el sistema comienza
con un corpus potencialmente enorme
genera un subconjunto mucho más pequeño de candidatos. Por ejemplo, el candidato
de imágenes en YouTube reduce miles de millones de videos a cientos o miles.
El modelo necesita evaluar las consultas rápidamente dada la enorme cantidad de
corpus. Un modelo determinado puede proporcionar varios generadores de candidatos, cada uno de los cuales
un subconjunto diferente de candidatos.
Puntuación
Luego, otro modelo califica y clasifica a los candidatos para
el conjunto de elementos (el orden de 10) para mostrar al usuario. Desde este
evalúa un subconjunto relativamente pequeño de elementos, el sistema puede usar
y un modelo más preciso
que se basa en consultas adicionales.
Reclasificación
Por último, el sistema debe tener en cuenta
restricciones adicionales para el
clasificación final. Por ejemplo, el sistema quita elementos que el usuario
marcar “no me gusta” explícitamente o subir la puntuación del contenido más reciente. Reclasificación
también puede ayudar a garantizar la diversidad, frescura y equidad.
Analizaremos cada una de estas etapas a lo largo de la clase y,
Proporcionar ejemplos de diferentes sistemas de recomendación, como YouTube
[[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Falta la información que necesito","missingTheInformationINeed","thumb-down"],["Muy complicado o demasiados pasos","tooComplicatedTooManySteps","thumb-down"],["Desactualizado","outOfDate","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Problema con las muestras o los códigos","samplesCodeIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 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."]]],[]]
