Notation

Après la génération de candidats, un autre modèle note et classe le modèle pour sélectionner l'ensemble d'éléments à afficher. Le système de recommandation peuvent avoir plusieurs générateurs de candidats qui utilisent différentes sources, comme comme suit:

Exemples

• Éléments associés d'un modèle de factorisation matricielle.
• Fonctionnalités utilisateur qui tiennent compte de la personnalisation.
• "Local" ou "distante" items; c'est-à-dire prendre des informations géographiques en compte.
• Articles populaires ou tendance
• Un graphe social c'est-à-dire les éléments aimés ou recommandés par amis.

Le système regroupe ces différentes sources les candidats sont ensuite évalués par un seul modèle et classés en fonction ce score. Par exemple, le système peut entraîner un modèle pour prédire La probabilité qu'un utilisateur regarde une vidéo sur YouTube compte tenu des éléments suivants:

• Fonctionnalités de requête (par exemple, historique des vidéos regardées, langue, pays, heure)
• Fonctionnalités vidéo (titre, tags, intégration de vidéos, etc.)

Le système peut ensuite classer les vidéos parmi les candidats à la prédiction du modèle.

Pourquoi ne pas laisser le générateur de candidats obtenir un score ?

Étant donné que les générateurs de candidats calculent un score (comme la mesure de similarité dans l'espace des représentations vectorielles continues), vous serez peut-être tenté de les utiliser bien. Toutefois, vous devez éviter cette pratique pour les raisons suivantes:

• Certains systèmes reposent sur plusieurs générateurs candidats. Les scores de ces différents générateurs ne sont peut-être pas comparables.
• Avec un pool de candidats plus restreint, le système peut se permettre plus de caractéristiques et un modèle plus complexe susceptible de mieux capturer le contexte.

Choisir une fonction objectif pour l'attribution de scores

Comme vous vous en souvenez peut-être, Introduction to ML Problem Cadrage, Le ML peut se comporter comme un génie espiègle: très heureux d'apprendre l'objectif que vous fournissez, mais vous devez faire attention à ce que vous souhaitez. Cet espiègle la qualité s'applique également aux systèmes de recommandation. Le choix de la notation peut avoir un impact considérable sur le classement des éléments, la qualité des recommandations.

Exemple :

Cliquez sur les icônes + pour découvrir ce qui se passe objectif.

Maximiser le taux de clics

Si la fonction d'évaluation optimise le nombre de clics, les systèmes peuvent recommander des vidéos de type "Piège à clics". Cette fonction d'évaluation génère des clics, pour offrir une bonne expérience utilisateur. Utilisateurs l'intérêt peut s'estomper rapidement.

Maximiser la durée de visionnage

Si la fonction d'attribution de scores est optimisée pour la durée de visionnage, recommandent des vidéos très longues, qui peuvent nuire à l'expérience utilisateur. Remarque : Plusieurs montres courtes peuvent être aussi efficaces qu'une montre longue.

Diversifiez les sessions et maximisez la durée de visionnage des sessions

Recommandez des vidéos plus courtes, mais qui ont le plus de chances de maintenir l'engagement utilisateur.

Préjugé de position dans la notation

Les utilisateurs cliqueront moins probablement sur les éléments qui apparaissent plus bas à l'écran éléments qui apparaissent plus haut sur l'écran. Toutefois, lors de l'évaluation des vidéos, système ne sait généralement pas où sur l'écran un lien vers cette vidéo qui finissent par apparaître. Interroger le modèle avec toutes les positions possibles chers. Même s'il était possible d'interroger plusieurs positions, le système vous risquez de ne pas trouver un classement cohérent entre plusieurs scores.

Solutions

• Créez des classements indépendants de la position.
• Classez tous les candidats comme s'ils occupaient la première position de l'écran.