In der letzten Phase eines Empfehlungssystems kann das System die Kandidaten, um zusätzliche Kriterien oder Einschränkungen zu berücksichtigen. Eins beim Re-Ranking besteht darin, Filter zu verwenden, mit denen einige Kandidaten entfernt werden.
Ein weiterer Ansatz für das Re-Ranking besteht darin, die zurückgegebene Punktzahl manuell durch den Ranger.
In diesem Abschnitt werden kurz Aktualität, Vielfalt und Fairness behandelt. Diese Faktoren gehören zu den vielen Faktoren, mit denen sich deine Empfehlung verbessern lässt System. Einige dieser Faktoren erfordern häufig die Modifizierung verschiedener Phasen des Prozesses. In jedem Abschnitt finden Sie Lösungen, die Sie einzeln oder kollektiv.
Aktualität
Die meisten Empfehlungssysteme zielen darauf ab, die neuesten Nutzungsinformationen, etwa den aktuellen Nutzerverlauf und die neuesten Elemente. Modell aktuell halten kann das Modell gute Empfehlungen geben.
Lösungen
- Führen Sie das Training so oft wie möglich noch einmal durch, um die neuesten Trainingsdaten zu erhalten. Wir empfehlen, das Training mit einer Warmstartzeit zu starten, damit das Modell von Grund auf neu zu lernen. Ein Warmstart kann das Training erheblich reduzieren . Beispielsweise können Sie bei der Matrixfaktorisierung die Einbettungen für Elemente, die in der vorherigen Instanz des Modells vorhanden waren.
- Erstellen Sie einen „Durchschnitt“ User, um neue Nutzende in der Matrixfaktorisierung darzustellen Modelle. Sie müssen nicht für jeden Nutzer dieselbe Einbettung verwenden, auf der Grundlage von Nutzermerkmalen Cluster von Nutzern erstellen.
- Verwenden Sie ein DNN wie ein Softmax-Modell oder ein Modell mit zwei Türmen. Da das Modell als Eingabe verwenden, kann sie für eine Abfrage oder ein Element ausgeführt werden, beim Training sehen.
- Fügen Sie das Dokumentalter als Element hinzu. Beispielsweise kann YouTube das Alter eines Videos hinzufügen, oder den Zeitpunkt der letzten Anzeige als Element.
Vielseitigkeit
Wenn das System immer Artikel empfiehlt, die am nächsten zur Abfrage hinzu, sind die Kandidaten einander in der Regel sehr ähnlich. Dieses Mangelnde Vielfalt kann eine schlechte oder langweilige User Experience verursachen. Beispiel: wenn YouTube dem Nutzer sehr ähnliche Videos empfiehlt. die gerade angesehen werden, wie z. B. nichts anderes als Eulenvideos (wie in der Abbildung gezeigt), wird der Nutzer wahrscheinlich schnell das Interesse verlieren.
Lösungen
- Mehrere Kandidatengeneratoren anhand verschiedener Quellen trainieren.
- Trainieren Sie mehrere Ränger mit verschiedenen Zielfunktionen.
- Ordnen Sie Objekte anhand des Genres oder anderer Metadaten neu an, um für Vielfalt zu sorgen.
Fairness
Ihr Modell sollte alle Nutzenden fair behandeln. Stellen Sie daher sicher, lernt Ihr Modell keine unbewussten Voreingenommenheiten aus den Trainingsdaten.
Lösungen
- Unterschiedliche Perspektiven in Design und Entwicklung einbeziehen.
- ML-Modelle anhand umfassender Datasets trainieren Zusatzdaten hinzufügen, wenn Ihre Daten zu spärlich sind (z. B. wenn bestimmte Kategorien unterrepräsentiert sind).
- Erfassen Sie Messwerte (z. B. Genauigkeit und absolute Fehler) für jede auf Voreingenommenheiten achten.
- Separate Modelle für benachteiligte Gruppen erstellen