重新排名

在推荐系统的最后阶段，系统会对推荐系统 并考虑其他条件或限制。一个 使用过滤条件来移除某些候选字词。

示例： 你可以通过以下方式对视频推荐工具进行重新排名 以下：

1. 训练一个单独的模型，用于检测视频是否为点击诱饵。
2. 在候选字词列表中运行此模型。
3. 移除被模型归类为点击诱饵的视频。

另一种重排序方法是手动将返回的得分 排名。

示例： 系统通过修改以下分数对视频进行重新排名：

• 视频存在时长（可能是为了宣传时效性更强的内容）
• 视频时长

本部分将简要介绍新鲜度、多样性和公平性。 这些因素有很多，这些因素有助于改进向您推荐的内容 系统。其中一些因素通常需要修改不同的阶段 过程的复杂程度。每个部分都提供了您可能适用的解决方案 。

时效性

大多数推荐系统都旨在纳入最新的使用情况信息， 例如当前用户历史记录和最新项。及时更新模型 可帮助模型给出合适的推荐。

解决方案

• 尽可能频繁地重新运行训练，以便利用最新的训练数据进行学习。 我们建议温启动训练，这样模型便不会 需要从头重新学习温启动可以显著减少训练工作量 。例如，在矩阵分解中， 出现的问题。
• 创建“平均值”user，用于在矩阵分解中表示新用户 模型。您不需要对每个用户使用相同的嵌入，只需 可以根据用户特征创建用户集群。
• 使用 DNN，如 softmax 模型或双塔模型。由于模型采用 特征向量作为输入，就可以对 在训练期间看到的。
• 将文档存在时间添加为特征。例如，YouTube 可以将视频的年龄添加到 或者上次作为地图项查看的时间

多样性

系统是否始终推荐“最近”的项添加到查询中 候选字词往往彼此非常相似。这个 缺乏多样性可能会导致用户体验不佳或单调乏味。例如： 如果 YouTube 仅推荐与用户正在观看的视频非常相似的视频， 当前正在观看的内容，例如只关注猫头鹰病毒的视频 （如图所示），用户可能很快就会失去兴趣。

解决方案

• 使用不同的来源训练多个候选生成器。
• 使用不同的目标函数训练多个排序器。
• 根据类型或其他元数据对作品进行重新排名，以确保多样性。

公平性

您的模型应该公平对待所有用户。因此，请确保 模型不会从训练数据中学习无意识偏见。

解决方案

• 在设计和开发中加入不同的观点。
• 基于全面的数据集训练机器学习模型。添加辅助数据的时间 数据过于稀疏（例如，当某些类别 代表性不足）。
• 跟踪每个 注意观察是否存在偏见。
• 为服务不足的群组制作单独的模型。