Supongamos que tienes un modelo de incorporación. Con un usuario, ¿cómo decidirías qué elementos recomendar?
En el momento de la entrega, para una consulta, primero debes realizar una de las siguientes acciones:
- Para un modelo de factorización de matrices, la incorporación de consultas (o del usuario) se conoce de forma estática, y el sistema puede buscarla directamente desde la matriz de incorporación del usuario.
- Para un modelo de DNN, el sistema calcula la incorporación de consultas \(\psi(x)\)en el momento de la entrega mediante la ejecución de la red en el vector de atributos \(x\).
Una vez que tengas la incorporación de consultas \(q\), busca incorporaciones de elementos\(V_j\) que estén cerca \(q\) en el espacio de incorporaciones. Este es el problema más cercano. Por ejemplo, puedes mostrar los k elementos principales según la puntuación de similitud \(s(q, V_j)\).
Puede 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 las incorporaciones de otros elementos\(V_j\) que estén cerca en el espacio de incorporaciones.
Recuperación a gran escala
Para calcular los vecinos más cercanos en el espacio de incorporaciones, el sistema puede calificar de manera exhaustiva cada candidato potencial. La puntuación exhaustiva puede ser costosa para grandes empresas, pero puedes usar cualquiera de las siguientes estrategias a fin de que sea más eficiente:
- Si la incorporación de consultas se conoce de forma estática, el sistema puede realizar una puntuación exhaustiva sin conexión, calcular previamente y almacenar una lista de los candidatos principales para cada consulta. Esta es una práctica común para la recomendación de elementos relacionados.
- Utiliza los vecinos más cercanos.