計分

生成候選項目後，另一個模型就會評分，並對 可選取要顯示的項目組合。推薦系統 可能有多個候選產生器使用不同來源，例如 如下所示：

範例

• 矩陣分解模型的相關項目。
• 因個人化而考慮的使用者功能。
• 「當地」對比「距離」items;也就是擷取地理位置資訊 都應納入考量
• 熱門或熱門商品。
• 社交關係圖；也就是使用者喜歡或推薦的項目

系統會將這些不同來源 然後依單一模型評分，其排名依據為 該分數舉例來說，系統可以訓練模型 使用者在 YouTube 上觀看影片的機率

• 查詢功能 (例如使用者觀看記錄、語言、國家/地區、時間)
• 影片功能 (例如：標題、標記、影片嵌入)

如此一來，系統就會根據候選廣告名單中的影片排名 與模型預測結果互動

為何不讓候選人獲得分數？

因為候選產生器會計算分數 (例如相似度量測法) 您可能會想利用這些物件 不過，建議您避免採用上述做法，原因如下：

• 部分系統仰賴多個候選發電機。這些分數的分數 不同的發電機可能無法比較
• 隨著候選人人數較少，系統負擔出更多 和更複雜的模型，可能會更準確地記錄內容

選擇用於評分的目標函式

您或許還記得《Introduction to ML Problem 取景、 機器學習可以像調皮愛好者一樣：很開心地學習目標 但還是應該謹慎行事這個惡作劇 品質也適用於推薦系統計分方式 函式可能會大幅影響項目排名，進而影響 推薦品質

範例：

按一下加號圖示，瞭解使用這些服務所造成的結果 目標。

盡量提高點擊率

如果評分功能會將點擊最佳化，系統可能會推薦 誘餌式點擊影片。這個評分函式會產生點擊，但不會產生點擊 以便提供良好的使用者體驗使用者可能很快就會淡出

延長觀看時間

如果評分功能能提高觀看時間 建議你製作長度極長的影片，這可能導致使用者體驗不佳。 請注意，如果多支短手錶也能發揮效果，那麼長手錶也可以。

增加多元性並增加工作階段觀看時間

推薦較短的影片，但這類影片較有可能保留 吸引使用者互動。

評分的位置偏誤

位於畫面下方的項目獲得的點擊機率較低 項目在畫面上排名較高的項目不過，為影片評分時 系統通常不知道畫面上的連結會在哪裡 最後出現此外，透過所有可能位置查詢模型也是一樣 。即使可以查詢多個排名 多次排名分數可能就無法找到一致的排名。

解決方案

• 建立與排名無關的排名。
• 將所有候選項目排名，就像在螢幕頂端一樣。