Ponowny ranking

Na ostatnim etapie systemu rekomendacji system może ponownie ocenić do rozważenia dodatkowych kryteriów lub ograniczeń. Jeden polega na zastosowaniu filtrów, które usuwają część kandydatów.

Innym sposobem ponownego pozycjonowania jest ręczne przekształcenie zwróconego wyniku przez weryfikatora.

W tej sekcji omawiamy pokrótce aktualność, różnorodność i obiektywność. Oto kilka czynników, które mogą pomóc Ci ulepszyć rekomendację systemu. Niektóre z tych czynników wymagają często modyfikacji różnych etapów cały proces. W każdej sekcji znajdziesz rozwiązania, które możesz zastosować pojedynczo lub zbiorczo.

Aktualność

Większość systemów rekomendacji stara się uwzględniać najnowsze informacje o użytkowaniu, na przykład historię bieżącego użytkownika i najnowsze elementy. Dbanie o aktualność modelu pomaga modelowi przygotować dobre rekomendacje.

Rozwiązania

  • Aby wyciągać wnioski z najnowszych danych, powtarzaj trenowanie jak najczęściej. Zalecamy wstępne uruchomienie trenowania, tak aby model nie miał mogą uczyć się od nowa. Rozpoczęcie z ciepła może znacznie ograniczyć trenowanie obecnie się znajdujesz. Na przykład przy rozkładzie na czynniki pierwsze, ciepłe uruchomienie wektorów dystrybucyjnych dla argumentu elementy, które znajdowały się w poprzednim wystąpieniu modelu.
  • Utwórz „średnią” użytkownik do reprezentowania nowych użytkowników w rozkładzie macierzystym modeli ML. Nie potrzebujesz takiego samego umieszczania w przypadku każdego użytkownika. mogą tworzyć klastry użytkowników na podstawie cech użytkowników.
  • Użyj nazwy DNN, takiej jak model softmax lub model 2 wieży. Ponieważ model pobiera wektorów cech jako danych wejściowych, można go uruchomić na zapytaniu lub elemencie, który nie zaobserwowane podczas trenowania.
  • Dodaj wiek dokumentu jako funkcję. Na przykład YouTube może dodać wiek filmu, lub czas jego ostatniego wyświetlenia jako obiektu.

Obraz przedstawiający 4 polecane filmy o sowach.

Różnorodność

Jeśli system zawsze poleca „najbliższe” produkty w zapytaniu kandydaci są zwykle bardzo do siebie podobni. Ten brak różnorodności może zniechęcić użytkowników. Przykład: jeśli YouTube tylko poleca filmy bardzo podobne do tych, aktualnie oglądany film, np. filmy z sową (jak widać na ilustracji), użytkownik prawdopodobnie szybko straci zainteresowanie.

Rozwiązania

  • Wytrenuj generatory kandydatów, korzystając z różnych źródeł.
  • Szkolenie wielu oceniających przy użyciu różnych funkcji celu.
  • Zmieniaj kolejność produktów na podstawie gatunku lub innych metadanych, aby zapewnić różnorodność.

Obiektywność

Model powinien traktować wszystkich użytkowników sprawiedliwie. Dlatego upewnij się, model nie uczy się nieświadomych uprzedzeń na podstawie danych treningowych.

Rozwiązania

  • Uwzględnić różne punkty widzenia w projektowaniu i rozwoju aplikacji.
  • Trenuj modele ML na kompleksowych zbiorach danych. Dodaj dane pomocnicze, gdy: dane są zbyt rozproszone (np. gdy określone kategorie są niedostatecznie reprezentowanych).
  • Śledź wskaźniki (np. dokładność i błąd bezwzględny) w każdym i monitorowania uprzedzeń.
  • Utworzenie osobnych modeli dla grup defaworyzowanych.