推薦系統總覽
推薦系統的一個常見架構包含
加入下列元件：
生成候選字
第一階段 系統會從一個巨大的語料庫開始
產生的候選子集較少。例如：
YouTube 的產生器，將數十億部影片縮減至數百或數千部。
模型必須快速評估查詢，因為
語料庫一個模型可能會提供多個候選生成器，每次都提供提名
不同的候選文字子集
計分
接著，另一個模型為選取項目的排名和排名
要向使用者顯示的一組項目 (以 10 的順序排列)。自此
模型只評估一小部分的項目
更加精確的模型仰賴額外的查詢
重新排名
最後，系統必須考量
最後排名舉例來說，系統會移除使用者
明確表示不喜歡或提高新內容的分數。重新排名
也有助於確保多元、更新性和公平性
我們會在本課程中探討各個階段，並
介紹 YouTube 等各種推薦系統。
除非另有註明，否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權，程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間：2024-07-26 (世界標準時間)。
[null,null,["上次更新時間：2024-07-26 (世界標準時間)。"],[[["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."]]],[]]
