이 첫 번째 단계에서 시스템은 잠재적으로 거대한 코퍼스에서 시작하고
훨씬 적은 수의 후보 하위 집합을 생성합니다. 예를 들어 후보가
YouTube 생성기를 사용해 수십억 개의 동영상을 수백, 수천 개까지 줄여줍니다.
이 모델은 방대한 양의 데이터를 고려하여 쿼리를 신속하게 평가해야 하며
볼 수 있습니다 주어진 모델은 여러 개의 후보 생성기를 제공할 수 있으며,
다른 하위 집합으로
구성되어 있습니다
점수
다음으로, 다른 모델이 지원자의 점수를 매기고 순위를 매기고
사용자에게 표시할 항목 세트 (10개 순서)입니다. 이후
상대적으로 작은 항목 하위 집합을 평가한다면 시스템은
더 정확한 모델을 만들 수 있습니다.
순위 재지정
마지막으로 시스템은 입력 단계와 관련된 추가 제약 조건을 고려해야 합니다.
최종 순위 예를 들어 시스템에서 사용자가
명시적으로 싫어요를 표시하거나 최신 콘텐츠의 점수를 높이는 경우 순위 재지정
다양성, 신선함, 공정성을 보장하는 데
도움이 될 수 있습니다
강의 중에 이러한 각 단계에 대해 설명하고
YouTube와 같은 다양한 추천 시스템의 예를 살펴보겠습니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["필요한 정보가 없음","missingTheInformationINeed","thumb-down"],["너무 복잡함/단계 수가 너무 많음","tooComplicatedTooManySteps","thumb-down"],["오래됨","outOfDate","thumb-down"],["번역 문제","translationIssue","thumb-down"],["샘플/코드 문제","samplesCodeIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2024-07-26(UTC)"],[[["\u003cp\u003eRecommendation systems often use a three-stage architecture: candidate generation, scoring, and re-ranking.\u003c/p\u003e\n"],["\u003cp\u003eCandidate generation narrows down a large pool of potential recommendations to a smaller subset for further evaluation.\u003c/p\u003e\n"],["\u003cp\u003eScoring assigns relevance scores to the candidates and ranks them to identify the top recommendations.\u003c/p\u003e\n"],["\u003cp\u003eRe-ranking adjusts the initial ranking to address additional factors like user preferences, diversity, and content freshness.\u003c/p\u003e\n"]]],[],null,["# Recommendation systems overview\n\nOne common architecture for recommendation systems consists of the\nfollowing components:\n\n- candidate generation\n- scoring\n- re-ranking\n\nCandidate generation\n--------------------\n\nIn this first stage, the system starts from a potentially huge corpus and\ngenerates a much smaller subset of candidates. For example, the candidate\ngenerator in YouTube reduces billions of videos down to hundreds or thousands.\nThe model needs to evaluate queries quickly given the enormous size of the\ncorpus. A given model may provide multiple candidate generators, each nominating\na different subset of candidates.\n\nScoring\n-------\n\nNext, another model scores and ranks the candidates in order to select\nthe set of items (on the order of 10) to display to the user. Since this\nmodel evaluates a relatively small subset of items, the system can use\na more precise model relying on additional queries.\n\nRe-ranking\n----------\n\nFinally, the system must take into account additional constraints for the\nfinal ranking. For example, the system removes items that the user\nexplicitly disliked or boosts the score of fresher content. Re-ranking\ncan also help ensure diversity, freshness, and fairness.\n\nWe will discuss each of these stages over the course of the class and\ngive examples from different recommendation systems, such as YouTube.\n| **Extra Resource:** For a more comprehensive account of the technology, architecture, and models used in YouTube, see [Covington\n| et al., Deep Neural Networks for YouTube Recommendations.](https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf)"]]
