สมมติว่าคุณมีโมเดลแบบฝัง จากการพิจารณาของผู้ใช้ คุณจะตัดสินใจเลือกรายการที่จะแนะนําได้อย่างไร
ขณะแสดงโฆษณา คุณจะได้รับคําถามจากการค้นหา โดยดําเนินการอย่างใดอย่างหนึ่งต่อไปนี้
- สําหรับโมเดลแฟกทอเรียลเมทริกซ์ การฝังการค้นหา (หรือผู้ใช้) จะเป็นที่ทราบกันแบบคงที่ และระบบจะหาได้จากเมทริกซ์การฝังตัวผู้ใช้
- สําหรับโมเดล DNN ระบบจะประมวลผลการฝังคําค้นหา \(\psi(x)\) ขณะแสดงผลโดยเรียกใช้เครือข่ายในเวกเตอร์ฟีเจอร์ \(x\)
เมื่อมีการค้นหาแบบฝัง \(q\)ให้ค้นหารายการที่ฝัง \(V_j\) ที่อยู่ใกล้กับ \(q\) พื้นที่การฝัง ปัญหานี้ถือเป็นปัญหาใกล้เคียงที่สุด เช่น คุณสามารถส่งคืนสินค้า k ยอดนิยมตามคะแนนความคล้ายคลึงกัน \(s(q, V_j)\)
คุณใช้วิธีการที่คล้ายกันในคําแนะนําสินค้าที่เกี่ยวข้องได้ เช่น เมื่อผู้ใช้ดูวิดีโอ YouTube ระบบจะค้นหาการฝังรายการนั้นก่อน จากนั้นจึงมองหาการฝังรายการอื่นๆ \(V_j\) ที่อยู่ใกล้พื้นที่ฝัง
การดึงข้อมูลขนาดใหญ่
หากต้องการคํานวณเพื่อนบ้านที่อยู่ใกล้ที่สุดในพื้นที่ฝังข้อมูล ระบบจะให้คะแนนผู้สมัครที่มีคุณสมบัติทั้งหมดอย่างรอบคอบ การให้คะแนนที่สิ้นเปลือง อาจมีราคาสูงสําหรับคลังเนื้อหาขนาดใหญ่ แต่คุณใช้กลยุทธ์ใดกลยุทธ์หนึ่งต่อไปนี้เพื่อทําให้แคมเปญมีประสิทธิภาพมากขึ้นได้
- หากระบบรู้จักการฝังแบบคงที่ ระบบก็คํานวณคะแนนแบบออฟไลน์ได้อย่างละเอียด ประมวลผล และจัดเก็บรายการผู้สมัครอันดับสูงสุดสําหรับการค้นหาแต่ละรายการ ซึ่งเป็นแนวทางปฏิบัติทั่วไป สําหรับการแนะนําสินค้าที่เกี่ยวข้อง
- ใช้เพื่อนบ้านใกล้เคียงที่ใกล้เคียงที่สุด