推荐系统概览

推荐系统的一种常见架构包括 以下组件：

• 候选集生成
• 评分
• 重排序

候选集生成

在第一个阶段，系统从一个潜在的大型语料库开始， 会生成更小的候选字词子集。例如，候选人 YouTube 生成器可将数十亿视频缩减到数百或数千个。 模型需要快速评估查询，因为存在海量数据， 语料库。一个给定的模型可能会提供多个候选生成器，每个生成器都会提名 一组不同的候选字词。

评分

接下来，另一个模型对候选模型进行评分和排名， 要向用户显示的一组项（按 10 的顺序排列）。由于 模型只评估了相对较小的项目子集，系统可以使用 依赖于其他查询的更精确的模型。

重新排名

最后，系统必须将 最终排名。例如，系统会移除用户 明确不喜欢的内容，或提高较新内容的得分。重新排名 还可以有助于确保多样性、新鲜度和公平性。

我们将在本课程中讨论各个阶段 以 YouTube 等不同推荐系统为例。

其他资源：用于更全面地介绍 YouTube 使用的技术、架构和模型，请参阅 Covington 等，用于 YouTube 推荐的深度神经网络。