ในขั้นตอนสุดท้ายของระบบการแนะนำ ระบบจะจัดอันดับใหม่ ที่ผู้สมัครจะต้องพิจารณาเกณฑ์หรือข้อจำกัดเพิ่มเติม หนึ่ง วิธีการจัดลำดับใหม่คือการใช้ตัวกรองที่นำผู้สมัครบางรายออก
อีกวิธีในการจัดอันดับใหม่คือการเปลี่ยนรูปแบบคะแนนที่ได้รับด้วยตนเอง จากผู้จัดอันดับ
ส่วนนี้จะกล่าวถึงความใหม่ ความหลากหลาย และความยุติธรรมอย่างคร่าวๆ ปัจจัยเหล่านี้เป็นหนึ่งในหลายๆ ปัจจัยที่ช่วยปรับปรุงคำแนะนำของคุณได้ ระบบ ปัจจัยบางอย่างเหล่านี้มักต้องปรับเปลี่ยนระยะต่างๆ ของกระบวนการ แต่ละส่วนนำเสนอโซลูชันที่คุณอาจนำไปใช้ได้ ทั้งทีละรายหรือแบบเป็นกลุ่ม
ความใหม่
ระบบการแนะนำวิดีโอส่วนใหญ่จะมุ่งนำข้อมูลการใช้งานล่าสุดมาใช้ เช่น ประวัติผู้ใช้ปัจจุบันและรายการใหม่ล่าสุด การทำให้โมเดลสดใหม่อยู่เสมอ ช่วยให้โมเดลให้คำแนะนำที่ดีได้
โซลูชัน
- จัดการฝึกซ้ำให้บ่อยที่สุดเท่าที่จะทำได้เพื่อเรียนรู้เกี่ยวกับข้อมูลการฝึกล่าสุด เราขอแนะนำให้เริ่มต้นการฝึกอย่างรวดเร็วเพื่อให้โมเดลไม่มี เพื่อเรียนรู้ใหม่ตั้งแต่ต้น การเริ่มต้นแบบ Warm Start อาจลดการฝึกลงได้อย่างมาก ตัวอย่างเช่น ในการแยกตัวประกอบเมทริกซ์ ให้เริ่มฝังการฝังสำหรับ รายการที่มีอยู่ในอินสแตนซ์ก่อนหน้าของโมเดล
- สร้าง "ค่าเฉลี่ย" ผู้ใช้เพื่อแสดงผู้ใช้ใหม่ในการแยกตัวประกอบเมทริกซ์ คุณไม่จำเป็นต้องมีการฝังแบบเดียวกันสำหรับผู้ใช้แต่ละราย สร้างกลุ่มผู้ใช้ตามฟีเจอร์ของผู้ใช้ได้
- ใช้ DNN เช่น โมเดลซอฟต์แม็กซ์หรือโมเดลสองหอ เนื่องจากโมเดลใช้เวลา เวกเตอร์ของจุดสนใจเป็นอินพุต จึงสามารถเรียกใช้บนคำค้นหาหรือรายการที่ไม่ใช่ เห็นระหว่างการฝึก
- เพิ่มอายุเอกสารเป็นฟีเจอร์ เช่น YouTube สามารถเพิ่มอายุของวิดีโอได้ หรือเวลาที่ดูครั้งสุดท้ายในฐานะฟีเจอร์
ความหลากหลาย
หากระบบแนะนำรายการที่ "ใกล้ที่สุด" เสมอ ลงใน Query แบบฝัง ตัวผู้สมัครมักจะคล้ายคลึงกันอย่างมาก ช่วงเวลานี้ การขาดความหลากหลายอาจทําให้ผู้ใช้ได้รับประสบการณ์ที่ไม่ดีหรือน่าเบื่อ ตัวอย่างเช่น หาก YouTube แนะนำ วิดีโอที่คล้ายกับวิดีโอที่ผู้ใช้ กำลังดูอยู่ในขณะนี้ เช่น ไม่มีอะไรนอกจากวิดีโอนกฮูก (ดังที่แสดงในภาพประกอบ) ผู้ใช้อาจหมดความสนใจอย่างรวดเร็ว
โซลูชัน
- ฝึกอบรมโปรแกรมสร้างผู้สมัครหลายรายโดยใช้แหล่งที่มาที่แตกต่างกัน
- ฝึกนักจัดอันดับหลายๆ คนโดยใช้ฟังก์ชันตามวัตถุประสงค์ที่แตกต่างกัน
- จัดอันดับรายการใหม่โดยอิงตามประเภทหรือข้อมูลเมตาอื่นๆ เพื่อให้แน่ใจว่ารายการมีความหลากหลาย
ความยุติธรรม
โมเดลของคุณควรปฏิบัติต่อผู้ใช้ทั้งหมดอย่างเป็นธรรม ดังนั้นโปรดตรวจสอบว่า โมเดลของคุณไม่ได้เรียนรู้อคติที่เกิดขึ้นโดยไม่รู้ตัวจากข้อมูลการฝึก
โซลูชัน
- ใช้มุมมองที่หลากหลายในการออกแบบและพัฒนา
- ฝึกโมเดล ML ในชุดข้อมูลที่ครอบคลุม เพิ่มข้อมูลเสริมเมื่อ ข้อมูลน้อยเกินไป (เช่น เมื่อมีบางหมวดหมู่ นำเสนอน้อย)
- ติดตามเมตริก (เช่น ความแม่นยำและข้อผิดพลาดสัมบูรณ์) ในแต่ละเมตริก ที่จะเฝ้าระวังอคติด้วย
- สร้างโมเดลแยกต่างหากสำหรับกลุ่มที่ด้อยโอกาส