Una arquitectura común para sistemas de recomendación consta de los siguientes componentes:
- generación de candidatos
- puntuación
- reclasificación
Generación de candidatos
En esta primera etapa, el sistema comienza con un corpus potencialmente enorme genera un subconjunto mucho más pequeño de candidatos. Por ejemplo, el candidato de imágenes en YouTube reduce miles de millones de videos a cientos o miles. El modelo necesita evaluar las consultas rápidamente dada la enorme cantidad de corpus. Un modelo determinado puede proporcionar varios generadores de candidatos, cada uno de los cuales un subconjunto diferente de candidatos.
Puntuación
Luego, otro modelo califica y clasifica a los candidatos para el conjunto de elementos (el orden de 10) para mostrar al usuario. Desde este evalúa un subconjunto relativamente pequeño de elementos, el sistema puede usar y un modelo más preciso que se basa en consultas adicionales.
Reclasificación
Por último, el sistema debe tener en cuenta restricciones adicionales para el clasificación final. Por ejemplo, el sistema quita elementos que el usuario marcar “no me gusta” explícitamente o subir la puntuación del contenido más reciente. Reclasificación también puede ayudar a garantizar la diversidad, frescura y equidad.
Analizaremos cada una de estas etapas a lo largo de la clase y, Proporcionar ejemplos de diferentes sistemas de recomendación, como YouTube