Bir öneri sisteminin son aşamasında, sistem ek ölçütleri veya kısıtlamaları dikkate almak için adayları yeniden sıralayabilir. Yeniden sıralamaya yönelik yaklaşımlardan biri, bazı adayları kaldıran filtreler kullanmaktır.
Sıralamayı değiştirmenin bir başka yolu da, sıralama robotu tarafından döndürülen puanı manuel olarak dönüştürmektir.
Bu bölümde güncellik, çeşitlilik ve adaletten kısaca bahsedilmektedir. Bu faktörler, öneri sisteminizin iyileştirilmesine yardımcı olabilecek birçok etmen arasındadır. Bu faktörlerden bazıları, genellikle sürecin farklı aşamalarını değiştirmeyi gerektirir. Her bölümde, ayrı ayrı veya birlikte uygulayabileceğiniz çözümler bulunur.
Güncellik
Çoğu öneri sistemi, mevcut kullanıcı geçmişi ve en yeni öğeler gibi en son kullanım bilgilerini sunmayı amaçlar. Modelin güncel tutulması, modelin iyi öneriler sunmasına yardımcı olur.
Çözümler
- En güncel eğitim verileri hakkında bilgi edinmek için eğitimi olabildiğince sık çalıştırın. Modelin sıfırdan tekrar öğrenmek zorunda kalmaması için eğitimi baştan başlatmanızı öneririz. Eğitime başlama, eğitim süresini önemli ölçüde azaltabilir. Örneğin, matrisi çarpanlara ayırmada, modelin önceki örneğinde bulunan öğeler için yerleştirmeleri ısıtın.
- Matrisi çarpanlara ayırma modellerinde yeni kullanıcıları temsil etmek için "ortalama" kullanıcı oluşturun. Her kullanıcı için aynı yerleştirmeye ihtiyacınız yoktur. Kullanıcı özelliklerine göre kullanıcı kümeleri oluşturabilirsiniz.
- Softmax modeli veya iki kuleli model gibi bir DNN kullanın. Model, özellik vektörlerini giriş olarak aldığından, eğitim sırasında görülmeyen bir sorgu veya öğe üzerinde çalıştırılabilir.
- Özellik olarak doküman yaşı ekleyin. Örneğin, YouTube bir videoyu veya söz konusu videonun son ne zaman izlendiğini özellik olarak ekleyebilirsiniz.
Çok Yönlülük
Sistem, sorgu yerleştirmeye her zaman "en yakın" öğeleri önerirse adaylar birbirlerine çok benzerler. Bu eksiklik, kötü veya sıkıcı bir kullanıcı deneyimine yol açabilir. Örneğin, YouTube yalnızca kullanıcının izlediği videoya çok benzer videolar önerirse (ör. baykuş videoları) (resimde gösterildiği gibi) kullanıcı muhtemelen hemen ilgisini kaybeder.
Çözümler
- Farklı kaynaklar kullanarak birden fazla aday oluşturun.
- Farklı hedef işlevlerini kullanarak birden çok sınıflandırıcıyı eğitin.
- Çeşitliliği sağlamak için öğeleri türe veya diğer meta verilere göre yeniden sıralayın.
Adalet
Modeliniz tüm kullanıcılara adil davranmalıdır. Bu nedenle, modelinizin eğitim verilerinden bilinçsiz ön yargılar öğrenmediğinden emin olun.
Çözümler
- Tasarım ve gelişime çeşitli bakış açıları dahil edin.
- Kapsamlı veri kümelerinde makine öğrenimi modelleri eğitin. Verileriniz çok az olduğunda (örneğin, belirli kategoriler yeterince temsil edilmediğinde) yardımcı veriler ekleyin.
- Ön yargıları izlemek için her bir demografideki metrikleri (ör. doğruluk ve mutlak hata) izleyin.
- Yeterince hizmet alamayan gruplar için ayrı modeller oluşturun.