Une architecture courante pour les systèmes de recommandation est composants suivants:
- génération de candidats
- notation
- reclassement
Génération de candidats
Dans cette première étape, le système part d'un corpus potentiellement énorme génère un sous-ensemble bien plus réduit de candidats. Par exemple, le candidat générateur de vidéos de YouTube réduit des milliards de vidéos à plusieurs centaines ou milliers. Le modèle doit évaluer rapidement les requêtes compte tenu de l'immense taille de Google Cloud. Un modèle donné peut fournir plusieurs générateurs, chacun nominant un autre sous-ensemble de candidats.
Notation
Ensuite, un autre modèle note et classe les candidats afin de sélectionner l'ensemble d'éléments (de l'ordre de 10) à présenter à l'utilisateur. Étant donné que à un sous-ensemble d'éléments relativement petit, le système peut utiliser plus précis reposant sur des requêtes supplémentaires.
Reclassement
Enfin, le système doit tenir compte de contraintes supplémentaires le classement final. Par exemple, le système supprime les éléments que l'utilisateur n'a pas été explicitement aimé ou améliore la note des contenus plus récents. Reclassement peut également contribuer à garantir la diversité, l'actualisation et l'impartialité.
Nous aborderons chacune de ces étapes donnent des exemples tirés de différents systèmes de recommandation, comme YouTube.