推荐系统概览
推荐系统的一种常见架构包括
以下组件：
候选集生成
在第一个阶段，系统从一个潜在的大型语料库开始，
会生成更小的候选字词子集。例如，候选人
YouTube 生成器可将数十亿视频缩减到数百或数千个。
模型需要快速评估查询，因为存在海量数据，
语料库。一个给定的模型可能会提供多个候选生成器，每个生成器都会提名
一组不同的候选字词。
评分
接下来，另一个模型对候选模型进行评分和排名，
要向用户显示的一组项（按 10 的顺序排列）。由于
模型只评估了相对较小的项目子集，系统可以使用
依赖于其他查询的更精确的模型。
重新排名
最后，系统必须将
最终排名。例如，系统会移除用户
明确不喜欢的内容，或提高较新内容的得分。重新排名
还可以有助于确保多样性、新鲜度和公平性。
我们将在本课程中讨论各个阶段
以 YouTube 等不同推荐系统为例。
如未另行说明，那么本页面中的内容已根据知识共享署名 4.0 许可获得了许可，并且代码示例已根据 Apache 2.0 许可获得了许可。有关详情，请参阅 Google 开发者网站政策。Java 是 Oracle 和/或其关联公司的注册商标。
最后更新时间 (UTC)：2024-07-26。
[null,null,["最后更新时间 (UTC)：2024-07-26。"],[[["Recommendation systems often use a three-stage architecture: candidate generation, scoring, and re-ranking."],["Candidate generation narrows down a large pool of potential recommendations to a smaller subset for further evaluation."],["Scoring assigns relevance scores to the candidates and ranks them to identify the top recommendations."],["Re-ranking adjusts the initial ranking to address additional factors like user preferences, diversity, and content freshness."]]],[]]
