في المرحلة الأخيرة من نظام التوصية، يمكن للنظام إعادة ترتيب المرشحين للنظر في معايير أو قيود إضافية. وَاحِدْ إعادة الترتيب هو استخدام عوامل التصفية التي تزيل بعض العناصر المرشحة.
هناك نهج آخر لإعادة الترتيب هو تحويل النتيجة المعروضة يدويًا المرتب.
يناقش هذا القسم بإيجاز الحداثة والتنوّع والإنصاف. هذه العوامل هي من بين عوامل متعددة يمكن أن تساعد في تحسين الاقتراح. . غالبًا ما تتطلب بعض هذه العوامل تعديل مراحل مختلفة من العملية. يقدم كل قسم حلولاً يمكنك تطبيقها بشكل فردي أو جماعي.
الحداثة
تهدف معظم أنظمة التوصية إلى دمج أحدث معلومات الاستخدام، مثل سجلّ المستخدم الحالي وأحدث العناصر. إبقاء النموذج متجددًا يساعد النموذج في تقديم توصيات جيدة.
الحلول
- إعادة إجراء التدريب كلما أمكن ذلك للتعرف على أحدث بيانات التدريب. نوصي ببدء التدريب جيدًا حتى لا يحتوي النموذج لإعادة التعلم من الصفر. يمكن أن تقلل البداية الاستيعابية بشكل كبير من التدريب الوقت. فعلى سبيل المثال، في تحليل المصفوفات، قم ببدء تضمين التضمينات من العناصر التي كانت موجودة في المثيل السابق للنموذج.
- إنشاء "متوسط" لتمثيل المستخدمين الجدد في تحليل المصفوفات النماذج. لا تحتاج إلى نفس التضمين لكل مستخدم، فيمكنك إنشاء مجموعات من المستخدمين بناءً على ميزات المستخدم.
- استخدِم DNN، مثل نموذج softmax أو نموذج برجين. نظرًا لأن النموذج يأخذ متجهات الخصائص كمدخلات، فيمكن تشغيلها على استعلام أو عنصر لم التي شوهدت أثناء التدريب.
- إضافة عمر المستند كميزة على سبيل المثال، يمكن أن تضيف منصة YouTube عمر الفيديو. أو وقت آخر عرض كعنصر.
التنوّع
إذا اقترح النظام دائمًا العناصر "الأقرب" إلى طلب البحث التضمين، يميل المرشحون إلى أن يكونوا متشابهين جدًا مع بعضهم البعض. هذا النمط يمكن أن يتسبب نقص التنوع في تجربة مستخدم سيئة أو مملة. على سبيل المثال: إذا اقترح YouTube مقاطع فيديو مشابهة جدًا للفيديو الذي يشاهده المستخدم يشاهدون حاليًا، مثل فيديوهات عن البومة (كما هو موضّح في الرسم التوضيحي)، من المرجح أن يفقد المستخدم الاهتمام بسرعة.
الحلول
- تدريب أدوات إنشاء مرشحين باستخدام مصادر مختلفة.
- درِّب مصنّفين متعددين باستخدام وظائف موضوعية مختلفة.
- أعِد ترتيب السلع بناءً على النوع أو البيانات الوصفية الأخرى لضمان التنوع.
العدالة
يجب أن يعامل النموذج جميع المستخدمين بإنصاف. لذلك، تأكد من نموذجك لا يتعلم التحيزات غير الواعية من بيانات التدريب.
الحلول
- تضمين وجهات نظر متنوعة في التصميم والتطوير.
- تدريب نماذج تعلُّم الآلة على مجموعات البيانات الشاملة. إضافة البيانات الإضافية عند كانت بياناتك محدودة جدًا (على سبيل المثال، عندما يتم محدودة التمثيل).
- تتبع المقاييس (على سبيل المثال، الدقة والخطأ المطلق) في كل منها التركيبة السكانية لمراقبة التحيزات.
- إنشاء نماذج منفصلة للمجموعات التي تعاني من نقص الخدمات