Eine gemeinsame Architektur für Empfehlungssysteme besteht aus dem folgenden Komponenten:
- Kandidatengenerierung
- Bewertung
- Re-Ranking
Kandidatengenerierung
In dieser ersten Phase beginnt das System mit einem potenziell großen Korpus und eine viel kleinere Teilmenge von Kandidaten generiert. Beispiel: Der Kandidat -Generator von YouTube, reduziert Milliarden von Videos auf Hunderte oder Tausende. Das Modell muss Abfragen aufgrund der enormen Größe Korpus. Ein bestimmtes Modell kann mehrere Kandidatengeneratoren bereitstellen, von denen jeder einen Nominierungs- oder eine andere Gruppe von Kandidaten.
Bewertungen
Als Nächstes bewertet und bewertet ein anderes Modell die Kandidaten, die Menge der Elemente (in der Reihenfolge von 10), die dem Nutzer angezeigt werden sollen. Da diese relativ kleine Teilmenge von Artikeln bewertet, kann das System ein genaueres Modell basierend auf zusätzlichen Abfragen zu erstellen.
Re-Ranking
Schließlich muss das System zusätzliche Einschränkungen für die am Ende des Rankings. Beispielsweise entfernt das System Elemente, die das Video explizit negativ bewertet oder die Bewertung neuerer Inhalte verbessert wird. Re-Ranking kann auch dazu beitragen, Vielfalt, Aktualität und Fairness zu gewährleisten.
Wir werden diese Phasen im Laufe des Kurses besprechen und Beispiele aus verschiedenen Empfehlungssystemen wie YouTube.