सुझाव देने वाले सिस्टम के लिए एक सामान्य आर्किटेक्चर में ये कॉम्पोनेंट शामिल होते हैं:
- उम्मीदवार बनाना
- स्कोरिंग
- दोबारा रैंकिंग
कैंडिडेट जनरेशन
इस पहले चरण में, सिस्टम संभावित रूप से विशाल संग्रह से शुरू होता है और उम्मीदवारों का बहुत छोटा सबसेट जनरेट करता है. उदाहरण के लिए, YouTube में उम्मीदवार जनरेटर, करोड़ों वीडियो को करोड़ों तक सीमित कर देता है. मॉडल को क्वेरी के बहुत बड़े साइज़ को देखते हुए, क्वेरी का मूल्यांकन फटाफट करना होगा. किसी दिए गए मॉडल में, उम्मीदवारों के एक से ज़्यादा जनरेटर दिए जा सकते हैं. साथ ही, हर मॉडल को उम्मीदवारों के अलग-अलग सबसेट के लिए नामांकित किया जा सकता है.
स्कोरिंग
इसके बाद, एक दूसरा मॉडल, उपयोगकर्ताओं को दिखाने के लिए आइटम का सेट (10 के क्रम में) चुनने के लिए, स्कोर और उम्मीदवारों की रैंकिंग करता है. यह मॉडल, आइटम के छोटे सबसेट का आकलन करता है. इसलिए, सिस्टम अतिरिक्त क्वेरी पर निर्भर ज़्यादा सटीक मॉडल का इस्तेमाल कर सकता है.
फिर से रैंकिंग
आखिर में, सिस्टम को आखिरी रैंकिंग के लिए दूसरी पाबंदियों का ध्यान रखना चाहिए. उदाहरण के लिए, सिस्टम उन आइटम को हटा देता है जिन्हें उपयोगकर्ता ने साफ़ तौर पर नापसंद किया है या नए कॉन्टेंट का स्कोर बूस्ट करता है. दोबारा रैंकिंग करने से कई तरह की जानकारी मिलती है. साथ ही, यह भी पक्का किया जा सकता है कि कॉन्टेंट में समानता, निष्पक्षता, और निष्पक्षता हो.
हम कक्षा के दौरान इनमें से हर चरण पर चर्चा करेंगे और YouTube जैसे अलग-अलग सुझाव सिस्टम के उदाहरण देंगे.