Bewertungen

Nach der Kandidatengenerierung bewertet und bewertet ein anderes Modell die generierten die anzuzeigenden Elemente auswählen. Das Empfehlungssystem haben möglicherweise mehrere Kandidatengeneratoren, die unterschiedliche Quellen verwenden, z. B. wie folgt:

Beispiele

• Ähnliche Elemente aus einem Matrixfaktorisierungsmodell.
• Nutzerfunktionen, die Personalisierung berücksichtigen.
• „Lokal“ im Vergleich zu "entfernt" items; indem Sie geografische Daten berücksichtigt werden.
• Beliebte oder angesagte Artikel.
• Social Graph Das sind Artikel, die von Freunde.

Das System kombiniert diese verschiedenen Quellen zu einem gemeinsamen Pool von Kandidaten, die dann von einem einzigen Modell bewertet und nach diese Punktzahl. Beispielsweise kann das System ein Modell so trainieren, dass es den Wahrscheinlichkeit, dass sich ein Nutzer ein Video auf YouTube ansieht, wobei Folgendes berücksichtigt wird:

• Abfragefunktionen (z. B. Wiedergabeverlauf, Sprache, Land, Uhrzeit)
• Videofunktionen (z. B. Titel, Tags, Videoeinbettung)

Das System kann die Videos dann im Pool der Kandidaten einstufen für die Vorhersage des Modells.

Warum nicht einfach bewerten lassen?

Da Kandidatengeneratoren einen Wert berechnen (wie das Ähnlichkeitsmaß) im eingebetteten Bereich), könnten Sie versucht sein, sie für das Ranking als gut. Das sollten Sie jedoch aus folgenden Gründen vermeiden:

• Einige Systeme stützen sich auf mehrere Kandidatengeneratoren. Die Bewertungen dieser verschiedene Generatoren nicht vergleichbar sind.
• Bei einem kleineren Bewerberpool kann es sich das System leisten, und ein komplexeres Modell, das den Kontext besser erfassen kann.

Zielfunktion für die Bewertung auswählen

Wie Sie sich vielleicht erinnern, erinnern Sie sich an die Einführung in ML-Probleme Bildausschnitt ML kann sich wie ein schelmischer Flaschengeist verhalten und freut sich sehr, das Ziel zu erfahren. aber Sie müssen vorsichtig sein, was Sie sich wünschen. Diese schelmische auch für Empfehlungssysteme gilt. Die Wahl der Bewertung die Reihenfolge der Artikel maßgeblich beeinflussen, und letztendlich die Qualität der Empfehlungen.

Beispiel:

Klicken Sie auf die Plussymbole, um zu erfahren, was passiert, wenn Sie Ziel erreichen können.

Klickrate maximieren

Wenn die Bewertungsfunktion für Klicks optimiert, empfiehlt das System möglicherweise Clickbaiting-Videos. Diese Bewertungsfunktion generiert Klicks, eine gute User Experience zu schaffen. Nutzer schnell nachlassen.

Wiedergabezeit maximieren

Wenn die Bewertungsfunktion für die Wiedergabezeit optimiert wird, sehr lange Videos empfehlen, was zu einer schlechten Nutzererfahrung führen könnte. Beachte, dass mehrere kurze Smartwatches genauso gut sein können wie eine lange.

Vielfalt erhöhen und Wiedergabezeit von Sitzungen maximieren

Empfehlen Sie kürzere Videos, aber diejenigen, bei denen die Wahrscheinlichkeit höher ist die Nutzerinteraktion und -bindung.

Positionsverzerrung bei der Bewertung

Artikel, die weiter unten auf dem Bildschirm angezeigt werden, werden mit geringerer Wahrscheinlichkeit angeklickt Elemente weiter oben auf dem Bildschirm erscheinen. Beim Bewerten von Videos das System nicht weiß, an welcher Stelle auf dem Bildschirm ein Link zu diesem Video erscheinen. Das Abfragen des Modells mit allen möglichen Positionen ist zu teuer sein. Selbst wenn mehrere Positionen abgefragt werden können, ist es dennoch möglich, dass das Ranking über mehrere Rankingfaktoren hinweg nicht konsistent ist.

Lösungen

• Erstellen Sie positionsunabhängige Rankings.
• Bewerten Sie alle Kandidaten, als befänden sie sich an der obersten Position.