Nella fase finale di un sistema di consigli, il sistema può riclassificare il ai candidati di valutare criteri o vincoli aggiuntivi. Uno. l'approccio per il nuovo ranking consiste nell'utilizzare filtri che rimuovono alcuni candidati.
Un altro approccio per il re-ranking consiste nel trasformare manualmente il punteggio restituito. dal ranking.
Questa sezione illustra brevemente attualità, diversità ed equità. Questi sono alcuni dei fattori che possono aiutarti a migliorare il tuo consiglio di un sistema operativo completo. Alcuni di questi fattori spesso richiedono la modifica di fasi diverse del processo. Ogni sezione offre soluzioni che puoi applicare individualmente o collettivamente.
Aggiornamento
La maggior parte dei sistemi di consigli mira a incorporare le informazioni più recenti sull'utilizzo, come la cronologia dell'utente corrente e gli elementi più recenti. Mantieni il modello aggiornato aiuta il modello a dare buoni consigli.
Soluzioni
- Esegui di nuovo l'addestramento il più spesso possibile per apprendere i dati di addestramento più recenti. Consigliamo di avviare l'addestramento con un avvio a caldo, in modo che il modello non abbia per apprendere di nuovo da zero. Un avvio a caldo può ridurre notevolmente l'addestramento nel tempo. Ad esempio, nella fattorizzazione matriciale, avvia a caldo gli incorporamenti per presenti nell'istanza precedente del modello.
- Creare una "media" utente per rappresentare nuovi utenti nella fattorizzazione matriciale di machine learning. Non hai bisogno della stessa incorporamento per ogni utente: possono creare cluster di utenti in base alle loro caratteristiche.
- Utilizza un DNN, ad esempio un modello softmax o un modello a due torri. Poiché il modello prende vettori di caratteristiche come input, può essere eseguita su una query o un elemento che non visti durante l'addestramento.
- Aggiungi l'età del documento come caratteristica. Ad esempio, YouTube può aggiungere l'età di un video o l'ora della sua ultima visualizzazione come elemento.
Diversità
Se il sistema consiglia sempre gli articoli "più vicini" alla query incorporamento, i candidati tendono a essere molto simili tra loro. Questo l'assenza di diversità può causare un'esperienza utente negativa o noiosa. Ad esempio: se YouTube consiglia video molto simili a quello dell'utente che sta guardando, come nient'altro che video di gufi (come mostrato nell'illustrazione), è probabile che l'utente perda rapidamente interesse.
Soluzioni
- Addestra più generatori di candidati utilizzando fonti diverse.
- Addestra più ranking utilizzando diverse funzioni obiettivo.
- Riclassifica gli elementi in base al genere o ad altri metadati per garantire la diversità.
Equità
Il modello deve trattare tutti gli utenti in modo equo. Pertanto, assicurati il modello non apprende bias inconsci dai dati di addestramento.
Soluzioni
- Includi punti di vista diversi nella progettazione e nello sviluppo.
- Addestra modelli ML su set di dati completi. Aggiungi dati ausiliari quando i dati sono troppo sparsi (ad esempio, quando determinate categorie sono sottorappresentati).
- Monitora le metriche, ad esempio accuratezza ed errore assoluto, su ogni per individuare eventuali bias.
- Crea modelli separati per i gruppi con scarso servizio.