Un'architettura comune per i sistemi di suggerimenti è costituita i seguenti componenti:
- generazione di candidati
- calcolo punteggio
- riassegnazione
Generazione di candidati
In questa prima fase, il sistema parte da un corpus potenzialmente enorme e genera un sottoinsieme molto più ridotto di candidati. Ad esempio, il candidato generatore di contenuti in YouTube riduce miliardi di video a centinaia o migliaia. Il modello deve valutare rapidamente le query, data l'enorme dimensione corpus. Un dato modello può fornire più generatori di candidati, ciascuno dei quali un diverso sottoinsieme di candidati.
Punteggio
Poi, un altro modello assegna un punteggio e un ranking ai candidati per selezionare l'insieme di elementi (nell'ordine di 10) da mostrare all'utente. Dal momento che valuta un sottoinsieme relativamente piccolo di elementi, il sistema può usare per ottenere un modello più preciso basandosi su query aggiuntive.
Nuovo ranking
Infine, il sistema deve tenere conto di vincoli aggiuntivi per classifica finale. Ad esempio, il sistema rimuove gli elementi che l'utente che non ti sono piaciuti o migliora il punteggio dei contenuti più recenti. Nuovo ranking possono anche contribuire a garantire diversità, attualità ed equità.
Approfondiremo ciascuna di queste fasi nel corso della lezione fornire esempi da diversi sistemi di consigli, come YouTube.