추천 시스템의 마지막 단계에서 시스템은 추가 기준이나 제약 조건을 고려할 수 있습니다. 1개 순위 재지정 접근 방식은 일부 후보를 삭제하는 필터를 사용하는 것입니다.
또 다른 순위 재지정 방식은 반환된 점수를 수동으로 변환하는 것입니다. 가중치가 적용됩니다.
이 섹션에서는 최신성, 다양성, 공정성을 간략하게 설명합니다. 이러한 요인은 맞춤 동영상을 개선하는 데 도움이 될 수 있는 여러 요소 중 하나입니다. 있습니다. 이러한 요인 중 일부는 종종 여러 단계를 수정해야 하는 경우가 있습니다. 살펴봤습니다 각 섹션마다 적용할 수 있는 솔루션이 제공됩니다. 개인적으로 또는 그룹으로 제공할 수 있습니다
최신 상태
대부분의 추천 시스템은 최신 사용 정보를 통합하는 것을 목표로 합니다. 현재 사용자 기록, 최신 항목 등입니다. 모델을 최신 상태로 유지 모델이 적절한 추천을 제공하는 데 도움이 됩니다
솔루션
- 가능한 한 자주 학습을 다시 실행하여 최신 학습 데이터를 학습합니다. 모델이 예기치 않은 활동으로 인해 방법을 배우게 됩니다. 웜 스타트로 인해 교육 및 훈련이 있습니다. 예를 들어 행렬 분해에서는 할 수 있습니다.
- '평균' 행렬 분해에서 신규 사용자를 나타내는 사용자 모델을 학습시키는 작업도 반복해야 합니다 사용자마다 동일한 삽입을 사용하지 않아도 됩니다. 사용자 특성을 기반으로 사용자 클러스터를 만들 수 있습니다.
- 소프트맥스 모델 또는 2타워 모델과 같은 DNN을 사용합니다. 모델은 특성 벡터를 입력으로 사용하면 모델의 예측에 도움이 되지 않는 쿼리나 학습 중에 볼 수 있습니다.
- 문서 연령을 기능으로 추가합니다. 예를 들어 YouTube에서 동영상의 연령을 또는 지형지물로 마지막으로 본 시간을 나타냅니다.
다양성
시스템에서 항상 '가장 가까운' 상품을 추천하는 경우 쿼리에 후보들이 서로 매우 비슷한 경향이 있습니다. 이 다양성이 부족하면 사용자 환경이 나쁘거나 지루해질 수 있습니다. 예를 들어 YouTube에서 사용자가 시청한 동영상과 매우 유사한 동영상을 추천하는 경우 현재 보고 있는 사용자(예: 올빼미 동영상) (그림에서 보듯이) 사용자는 금방 관심을 잃을 가능성이 큽니다.
솔루션
- 다양한 소스를 사용하여 여러 후보 생성기 학습
- 다양한 목적 함수를 사용하여 여러 순위자 학습
- 다양성을 보장하기 위해 장르 또는 기타 메타데이터를 기준으로 항목의 순위를 다시 지정합니다.
공정성
모델은 모든 사용자를 공정하게 대우해야 합니다. 따라서 모델이 학습 데이터에서 무의식적인 편향을 학습하지 않는 것입니다.
솔루션
- 설계 및 개발에 다양한 관점을 포함시킵니다.
- 포괄적인 데이터 세트로 ML 모델을 학습시킵니다. 다음 경우에 보조 데이터 추가 데이터가 너무 희소합니다 (예: 특정 카테고리가 과소 대표됨).
- 각 항목에서 측정항목 (예: 정확성 및 절대 오차)을 추적합니다. 편견을 살피기 위한 것입니다.
- 서비스가 부족한 그룹을 위해 별도의 모델을 만드세요.