Puntuación

Después de la generación del candidato, otro modelo califica y clasifica los candidatos para seleccionar el conjunto de elementos que se mostrarán. El sistema de recomendación pueden tener varios generadores de candidatos que usen diferentes fuentes, como de la siguiente manera:

Ejemplos

• Elementos relacionados de un modelo de factorización de matrices.
• Funciones del usuario que tienen en cuenta la personalización
• “Local” y "distante" items; es decir, que toman información geográfica tener en cuenta.
• Artículos populares o en tendencia
• un gráfico social; es decir, los elementos recomendados por amigos.

El sistema combina estas diferentes fuentes en un grupo común candidatos que se califican con un solo modelo y se clasifican según esa puntuación. Por ejemplo, el sistema puede entrenar un modelo para que prediga probabilidad de que un usuario mire un video en YouTube a partir de los siguientes factores:

• Funciones de búsqueda (por ejemplo, historial de reproducciones del usuario, idioma, país y hora)
• elementos de video (por ejemplo, título, etiquetas, incorporación de video)

Luego, el sistema puede clasificar los videos en el grupo de candidatos según para la predicción del modelo.

¿Por qué no permitir que el generador de candidatos califique?

Dado que los generadores de candidatos calculan una puntuación (como la medida de similitud) en el espacio de inserciones), podrías sentirte tentado a usarlas para hacer clasificaciones como en la nube. Sin embargo, debes evitar esta práctica por las siguientes razones:

• Algunos sistemas dependen de varios generadores de candidatos. La puntuación de estos generadores diferentes podrían no ser comparables.
• Con un grupo más pequeño de candidatos, el sistema puede permitirse más atributos y un modelo más complejo que pueda capturar mejor el contexto.

Elegir una función objetiva para la puntuación

Como recordarás de Introduction to ML Problem Encuadre, El AA puede actuar como un genio travieso: muy contento de aprender el objetivo que proporcionas, pero debes tener cuidado con lo que quieres. Este travieso la calidad también se aplica a los sistemas de recomendación. La elección de la puntuación puede afectar drásticamente la clasificación de los elementos y, en última instancia, el la calidad de las recomendaciones.

Ejemplo:

Haz clic en los íconos de signo más para saber qué ocurre como resultado de usar cada uno. objetivo.

Maximizar la tasa de clics

Si la función de puntuación optimiza los anuncios para obtener clics, es posible que los sistemas recomienden videos de ciberanzuelos. Esta función de puntuación genera clics, pero no una buena experiencia del usuario. Usuarios el interés puede desvanecerse rápidamente.

Maximizar el tiempo de reproducción

Si la función de puntuación optimiza el tiempo de reproducción, recomendar videos muy largos, lo que podría perjudicar la experiencia del usuario. Ten en cuenta que múltiples relojes cortos pueden ser tan buenos como un reloj largo.

Aumenta la diversidad y maximiza el tiempo de reproducción de las sesiones

Recomienda videos más cortos, pero aquellos con más probabilidades de mantener el la participación del usuario.

Sesgo posicional en la puntuación

Es menos probable que se haga clic en los elementos que aparecen más abajo en la pantalla que que aparecen más arriba en la pantalla. Sin embargo, al calificar videos, el sistema no sabe en qué parte de la pantalla aparece un vínculo aparecer en última instancia. Consultar el modelo con todas las posiciones posibles es demasiado costoso. Incluso si era posible consultar varias posiciones, el sistema es posible que aún no encuentres una clasificación coherente en varias puntuaciones de clasificación.

Soluciones

• Crea clasificaciones independientes de la posición.
• Clasificar a todos los candidatos como si estuvieran en la primera posición en la pantalla.