在推荐系统的最后阶段，系统可以重新对候选者进行排名，以考虑其他条件或限制。一种重新排名的方法是使用过滤器移除某些候选字词。
另一种重新排名方法是手动转换排名器返回的得分。
本部分简要介绍了新鲜度、多样性和公平性。 这些因素有很多有助于改进您的推荐系统。其中一些因素通常需要修改流程的不同阶段。每个部分都提供了可以单独或共同应用的解决方案。
内容的新鲜度
大多数推荐系统都希望纳入最新的使用情况信息，例如当前用户历史记录和最新商品。让模型保持最新状态有助于模型提出良好的建议。
解决方案
- 尽可能频繁地重新运行训练，以了解最新的训练数据。 我们建议热启动训练，这样模型就不必从头开始重新学习。温启动可以显著缩短训练时间。例如，在矩阵分解中，热启动模型前一实例中存在的项的嵌入。
- 创建一个“平均”用户来表示矩阵分解模型中的新用户。您不需要为每个用户使用相同的嵌入 - 您可以根据用户功能创建用户集群。
- 使用 DNN，例如 softmax 模型或双塔模型。由于该模型将特征向量作为输入，因此可以在训练期间未见到的查询或项上运行。
- 将文档存在时间添加为功能。例如，YouTube 可以将视频的年龄或上次观看的时间添加为功能。
多样性
如果系统始终推荐与查询嵌入“最接近”的项，则候选项往往彼此非常相似。这种多样性可能会导致糟糕或无聊的用户体验。例如，如果 YouTube 只是推荐与用户正在观看的视频非常相似的视频（例如除猫头鹰视频外的其他内容），则用户可能会很快失去兴趣。
解决方案
- 使用不同的来源训练多个候选生成器。
- 使用不同的目标函数训练多个排名器。
- 根据类型或其他元数据重新对内容进行排名，以确保多样性。
公平性
您的模型应公平对待所有用户。因此，请确保您的模型不会从训练数据中学习无意识偏见。
解决方案
- 在设计和开发中纳入多元化的视角。
- 使用全面的数据集训练机器学习模型。如果您的数据过于稀疏（例如，某些类别的代表性不足），请添加辅助数据。
- 跟踪每个受众特征上的指标（例如准确率和绝对误差）以监控偏差。
- 为服务不足的群组创建单独的模型。