Öneri sisteminin son aşamasında, sistem, öneri sisteminin göz önünde bulundurmanız gerektiğini ifade eder. Bir yaklaşımında, bazı adayları kaldıran filtreler kullanmaktır.
Diğer bir yeniden sıralama yaklaşımı, döndürülen puanı manuel olarak dönüştürmektir. belirler.
Bu bölümde güncellik, çeşitlilik ve adalet kısaca ele alınmaktadır. Bu faktörler, önerinizi iyileştirmeye yardımcı olabilecek birçok faktör arasında yer alır bahsedeceğim. Bu faktörlerden bazıları genellikle farklı aşamaların değiştirilmesini gerektirir daha yakından inceleyeceğiz. Her bölüm, uygulayabileceğiniz çözümler sunar müzakere tekniklerini konuşacağız.
Güncellik
Çoğu öneri sistemi, en güncel kullanım bilgilerini, gibi mevcut kullanıcı geçmişi ve en yeni öğeler gibi Modeli güncel tutma modelin iyi önerilerde bulunmasına yardımcı olur.
Çözümler
- En güncel eğitim verileri hakkında bilgi edinmek için eğitimi mümkün olduğunca sık tekrar gerçekleştirin. Modelin bu karmaşada karşılaşılmaması için eğitimin hazır olarak başlatılmasını yeniden öğrenme fırsatı sunar. Hazır durumda başlatma, eğitimi önemli ölçüde azaltabilir gerekir. Örneğin, matris çarpanlarına ayırmada, öğe sayısı otomatik olarak belirlenir.
- "Ortalama" bir değer oluşturma matrisi çarpanlara ayırmada yeni kullanıcıları temsil etmek için kullanıcı modeller. Her kullanıcı için aynı yerleştirme işlemi yapmanıza gerek yoktur. kullanıcı özelliklerine bağlı olarak kullanıcı kümeleri oluşturabilirsiniz.
- Softmax modeli veya iki kule modeli gibi bir DNN kullanın. Model, resimdeki özellik vektörlerini girdi olarak kullanırsa, bu özellik gözlemledik.
- Dokümanın yaşını özellik olarak ekleyin. Örneğin, YouTube bir videonun yaşını ekleyebilir veya özellik olarak son görüntülendiği zaman.
Çok Yönlülük
Sistem her zaman "en yakın" öğeleri öneriyorsa anahtar kelime birbirlerine çok benzerler. Bu çeşitlilik eksikliği kötü veya sıkıcı bir kullanıcı deneyimine neden olabilir. Örneğin, YouTube yalnızca kullanıcının izlediği videoya çok benzer videolar önerirse (ör. baykuş videoları) (resimde gösterildiği gibi) kullanıcı ilgisini büyük olasılıkla kısa sürede kaybeder.
Çözümler
- Farklı kaynaklar kullanarak birden fazla adayı eğitmek.
- Farklı hedef fonksiyonlarını kullanarak birden fazla sıralayıcıyı eğitin.
- Çeşitliliği sağlamak için öğeleri türe veya diğer meta verilere göre yeniden sıralayın.
Adalet
Modeliniz tüm kullanıcılara adil davranmalıdır. Bu nedenle, modeliniz, eğitim verilerinden bilinçsiz ön yargılar öğrenmez.
Çözümler
- Tasarım ve geliştirme sürecinde farklı bakış açılarını kucaklayın.
- Makine öğrenimi modellerini kapsamlı veri kümeleri üzerinde eğitin. Şu durumlarda yardımcı veri ekle: verileriniz çok seyrektir (örneğin, belirli kategoriler yeterince temsil edilmemektedir.
- Her bir konuyla ilgili metrikleri (ör. doğruluk ve mutlak hata) takip edin demografik gruplardan biri olarak düşünebilirsiniz.
- Yeterince hizmet verilmeyen gruplar için ayrı modeller oluşturma.