یک معماری رایج برای سیستم های توصیه شامل اجزای زیر است:
- نسل نامزد
- به ثمر رساندن
- رتبه بندی مجدد
نسل نامزد
در این مرحله اول، سیستم از یک مجموعه بالقوه عظیم شروع می شود و زیرمجموعه بسیار کوچکتری از نامزدها را ایجاد می کند. به عنوان مثال، تولید کننده نامزد در YouTube میلیاردها ویدیو را به صدها یا هزاران کاهش می دهد. مدل نیاز به ارزیابی سریع پرس و جوها با توجه به اندازه عظیم پیکره دارد. یک مدل معین ممکن است چندین مولد نامزد ارائه دهد که هر کدام زیرمجموعه متفاوتی از نامزدها را معرفی می کنند.
امتیاز دهی
سپس، مدل دیگری به منظور انتخاب مجموعه ای از آیتم ها (به ترتیب 10) برای نمایش به کاربر، نامزدها را نمره گذاری و رتبه بندی می کند. از آنجایی که این مدل زیرمجموعه نسبتاً کوچکی از آیتم ها را ارزیابی می کند، سیستم می تواند از مدل دقیق تری با تکیه بر پرس و جوهای اضافی استفاده کند.
رتبه بندی مجدد
در نهایت، سیستم باید محدودیت های اضافی را برای رتبه بندی نهایی در نظر بگیرد. به عنوان مثال، سیستم مواردی را حذف می کند که کاربر صراحتاً آنها را دوست ندارد یا امتیاز محتوای جدیدتر را افزایش می دهد. رتبه بندی مجدد همچنین می تواند به اطمینان از تنوع، تازگی و انصاف کمک کند.
ما در مورد هر یک از این مراحل در طول کلاس صحبت خواهیم کرد و نمونه هایی از سیستم های توصیه های مختلف مانند YouTube ارائه خواهیم داد.