सुझाव देने वाले सिस्टम का एक सामान्य आर्किटेक्चर, ये कॉम्पोनेंट:
- कैंडिडेट जनरेशन
- स्कोरिंग
- री-रैंकिंग
कैंडिडेट जनरेशन
पहले चरण में, यह तंत्र एक संभावित विशाल संग्रह से शुरू होता है और उम्मीदवारों का एक छोटा सबसेट जनरेट करता है. उदाहरण के लिए, उम्मीदवार जनरेटर की वजह से, अरबों वीडियो की संख्या को सैकड़ों या हज़ारों तक कम कर दिया जाता है. बड़ी संख्या में मिलने वाले ट्रैफ़िक को ध्यान में रखते हुए, मॉडल को क्वेरी का तुरंत आकलन करना होगा कॉर्पस. दिए गए मॉडल में, हर नॉमिनेट किए जाने पर, कई कैंडिडेट जनरेट किए जा सकते हैं उम्मीदवारों का एक छोटा सा सबसेट बनाया जा सकता है.
स्कोरिंग
इसके बाद, दूसरा मॉडल, उम्मीदवारों को स्कोर देता है और उनकी रैंक तय करता है, ताकि वे उपयोगकर्ता को दिखाने के लिए आइटम का सेट (10 के क्रम पर). इस तारीख से मॉडल, आइटम के छोटे सबसेट का आकलन करता है. इसलिए, सिस्टम .
फिर से रैंक करना
आखिर में, सिस्टम को आखिरी रैंकिंग. उदाहरण के लिए, सिस्टम ऐसे आइटम हटा देता है जिन्हें उपयोगकर्ता साफ़ तौर पर नापसंद किया गया हो या नए कॉन्टेंट के स्कोर को बढ़ाने में मदद की गई हो. फिर से रैंक करना विविधता, ताज़गी, और निष्पक्षता को पक्का करने में भी मदद कर सकते हैं.
हम क्लास के दौरान इनमें से हर स्टेज पर चर्चा करेंगे और हम वीडियो के सुझाव देने वाले अलग-अलग सिस्टम के उदाहरण देते हैं. जैसे, YouTube.