Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Satu arsitektur umum untuk sistem rekomendasi terdiri dari
komponen berikut:
pembuatan kandidat
penskoran
pemeringkatan ulang
Pembuatan kandidat
Pada tahap pertama ini, sistem dimulai
dari korpus yang mungkin sangat besar dan
menghasilkan subset kandidat yang jauh lebih kecil. Misalnya, kandidat
di YouTube mengurangi miliaran video menjadi ratusan atau ribuan video.
Model ini perlu mengevaluasi kueri dengan cepat mengingat ukuran
di seluruh korpus. Model tertentu dapat menyediakan beberapa generator kandidat, masing-masing
subset kandidat yang berbeda.
Pemberian skor
Selanjutnya, model lain memberi skor dan
peringkat kandidat untuk memilih
kumpulan item (pada urutan 10) untuk ditampilkan kepada pengguna. Karena langkah ini
mengevaluasi subset item yang relatif kecil, sistem dapat menggunakan
model yang lebih tepat yang mengandalkan kueri tambahan.
Pengurutan ulang
Terakhir, sistem harus memperhitungkan
batasan tambahan untuk
peringkat akhir. Misalnya, sistem menghapus item yang
secara eksplisit tidak menyukai atau meningkatkan skor konten yang lebih baru. Pengurutan ulang
juga dapat membantu memastikan keberagaman, keaktualan, dan keadilan.
Kita akan membahas setiap tahapan ini selama kelas berlangsung dan
memberikan contoh dari berbagai sistem rekomendasi, seperti YouTube.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 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."]]],[]]
