Supongamos que tienes un modelo de incorporación. En el caso de un usuario, ¿cómo decidir qué elementos recomendar?
A la hora de la publicación, de acuerdo con una consulta, debes comenzar con una de las siguientes acciones:
- Para un modelo de factorización de matrices, se conoce la incorporación de consultas (o usuarios) estáticamente, y el sistema puede simplemente buscarlo desde de incorporación de usuarios.
- Para un modelo de DNN, el sistema calcula la incorporación de consultas \(\psi(x)\) al momento de la entrega ejecutando la red en el vector de atributos \(x\).
Una vez que tengas la incorporación de la consulta \(q\), busca incorporaciones de elementos \(V_j\) que estén cerca de \(q\) en el espacio de incorporación. Este es un problema de vecino más cercano. Por ejemplo, puedes mostrar el valor k superior. elementos según la puntuación de similitud \(s(q, V_j)\).
Puedes usar un enfoque similar en las recomendaciones de elementos relacionados. Por ejemplo: Cuando el usuario mira un video de YouTube, el sistema primero puede buscar la incorporación de ese elemento y, luego, buscar incorporaciones de otros elementos \(V_j\) que estén cerca del espacio de incorporaciones.
Recuperación a gran escala
Para calcular los vecinos más cercanos en el espacio de incorporaciones, el sistema puede calificar de forma exhaustiva a cada candidato potencial. Puntuación exhaustiva pueden ser costosos para corpus muy grandes, pero puedes usar cualquiera de las siguientes estrategias para que sea más eficiente:
- Si la incorporación de la consulta se conoce de forma estática, el sistema puede realizar la calificación exhaustiva sin conexión, el procesamiento previo y el almacenamiento de una lista de los candidatos principales para cada consulta. Esta es una práctica común recomendación de elementos relacionados.
- Usa los vecinos más cercanos.