با مجموعه‌ها، منظم بمانید ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
در مرحله نهایی یک سیستم توصیه، سیستم می تواند نامزدها را مجدداً رتبه بندی کند تا معیارها یا محدودیت های اضافی را در نظر بگیرند. یکی از رویکردهای رتبه بندی مجدد استفاده از فیلترهایی است که برخی از نامزدها را حذف می کند.
یکی دیگر از رویکردهای رتبه‌بندی مجدد، تبدیل دستی امتیازی است که توسط رتبه‌بندی بازگردانده شده است.
این بخش به طور مختصر به تازگی، تنوع و انصاف می پردازد. این عوامل از جمله عواملی هستند که می توانند به بهبود سیستم توصیه شما کمک کنند. برخی از این عوامل اغلب نیازمند اصلاح مراحل مختلف فرآیند هستند. هر بخش راه حل هایی را ارائه می دهد که ممکن است به صورت جداگانه یا جمعی از آنها استفاده کنید.
خنکی
هدف اکثر سیستم‌های توصیه، ترکیب آخرین اطلاعات استفاده، مانند تاریخچه کاربر فعلی و جدیدترین موارد است. تازه نگه داشتن مدل به مدل کمک می کند تا توصیه های خوبی ارائه دهد.
راه حل ها
آموزش را تا جایی که ممکن است دوباره اجرا کنید تا از آخرین داده های آموزشی یاد بگیرید. توصیه می کنیم آموزش را گرم شروع کنید تا مدل مجبور به یادگیری مجدد از ابتدا نباشد. شروع گرم می تواند زمان تمرین را به میزان قابل توجهی کاهش دهد. به عنوان مثال، در فاکتورسازی ماتریسی، جاسازی‌ها را برای مواردی که در نمونه قبلی مدل وجود داشتند، گرم شروع کنید.
یک کاربر "متوسط" ایجاد کنید تا کاربران جدید را در مدل های فاکتورسازی ماتریسی نشان دهد. شما نیازی به جاسازی یکسان برای هر کاربر ندارید—شما می توانید دسته هایی از کاربران را بر اساس ویژگی های کاربر ایجاد کنید.
از یک DNN مانند مدل سافت مکس یا مدل دو برج استفاده کنید. از آنجایی که مدل بردارهای ویژگی را به عنوان ورودی می گیرد، می توان آن را روی یک پرس و جو یا موردی اجرا کرد که در طول آموزش دیده نشد.
اضافه کردن سن سند به عنوان یک ویژگی. برای مثال، یوتیوب می‌تواند سن ویدیو یا زمان آخرین مشاهده آن را به عنوان یک ویژگی اضافه کند.
تنوع
اگر سیستم همیشه مواردی را توصیه می‌کند که «نزدیک‌ترین» به جاسازی پرس و جو هستند، کاندیداها بسیار شبیه به یکدیگر هستند. این عدم تنوع می تواند باعث ایجاد یک تجربه کاربری بد یا خسته کننده شود. به عنوان مثال، اگر یوتیوب فقط ویدیوهایی بسیار شبیه به ویدیویی که کاربر در حال تماشای آن است توصیه کند، مانند ویدیوهای جغد (همانطور که در تصویر نشان داده شده است)، احتمالاً کاربر به سرعت علاقه خود را از دست خواهد داد.
راه حل ها
چندین ژنراتور نامزد را با استفاده از منابع مختلف آموزش دهید.
چندین رتبه بندی را با استفاده از توابع هدف مختلف آموزش دهید.
برای اطمینان از تنوع، موارد را بر اساس ژانر یا سایر ابرداده‌ها رتبه‌بندی مجدد کنید.
انصاف
مدل شما باید با همه کاربران منصفانه رفتار کند. بنابراین، مطمئن شوید که مدل شما سوگیری های ناخودآگاه را از داده های آموزشی یاد نمی گیرد.
راه حل ها
شامل دیدگاه های متنوع در طراحی و توسعه.
آموزش مدل های ML بر روی مجموعه داده های جامع. زمانی که داده‌های شما خیلی کم است (مثلاً وقتی دسته‌های خاصی کمتر ارائه می‌شوند) داده‌های کمکی را اضافه کنید.
معیارها (به عنوان مثال، دقت و خطای مطلق) را در هر جمعیت ردیابی کنید تا تعصبات را مشاهده کنید.
تاریخ آخرین بهروزرسانی 2024-07-27 بهوقت ساعت هماهنگ جهانی.
[[["درک آسان","easyToUnderstand","thumb-up"],["مشکلم را برطرف کرد","solvedMyProblem","thumb-up"],["غیره","otherUp","thumb-up"]],[["اطلاعاتی که نیاز دارم وجود ندارد","missingTheInformationINeed","thumb-down"],["بیشازحد پیچیده/ مراحل بسیار زیاد","tooComplicatedTooManySteps","thumb-down"],["قدیمی","outOfDate","thumb-down"],["مشکل ترجمه","translationIssue","thumb-down"],["مشکل کد / نمونهها","samplesCodeIssue","thumb-down"],["غیره","otherDown","thumb-down"]],["تاریخ آخرین بهروزرسانی 2024-07-27 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eRecommendation systems can be improved by re-ranking candidates using filters or score transformations based on criteria like video age or click-bait detection.\u003c/p\u003e\n"],["\u003cp\u003eMaintaining freshness in recommendations involves regularly retraining models, incorporating new user and item data, and potentially using DNNs or age-based features.\u003c/p\u003e\n"],["\u003cp\u003eEnhancing diversity can be achieved by employing multiple candidate generators and rankers, along with re-ranking based on metadata like genre.\u003c/p\u003e\n"],["\u003cp\u003eEnsuring fairness requires diverse development teams, comprehensive training data, and monitoring metrics across demographics to mitigate biases.\u003c/p\u003e\n"]]],[],null,["\u003cbr /\u003e\n\nIn the final stage of a recommendation system, the system can re-rank the\ncandidates to consider additional criteria or constraints. One\nre-ranking approach is to use filters that remove some candidates.\n| **Example:** You can implement re-ranking on a video recommender by doing the following:\n|\n| 1. Training a separate model that detects whether a video is click-bait.\n| 2. Running this model on the candidate list.\n| 3. Removing the videos that the model classifies as click-bait.\n\nAnother re-ranking approach is to manually transform the score returned\nby the ranker.\n| **Example:** The system re-ranks videos by modifying the score as a function of:\n|\n| - video age (perhaps to promote fresher content)\n| - video length\n\nThis section briefly discusses freshness, diversity, and fairness.\nThese factors are among many that can help improve your recommendation\nsystem. Some of these factors often require modifying different stages\nof the process. Each section offers solutions that you might apply\nindividually or collectively.\n\nFreshness\n\nMost recommendation systems aim to incorporate the latest usage information,\nsuch as current user history and the newest items. Keeping the model fresh\nhelps the model make good recommendations.\n\nSolutions\n\n- Re-run training as often as possible to learn on the latest training data. We recommend warm-starting the training so that the model does not have to re-learn from scratch. Warm-starting can significantly reduce training time. For example, in matrix factorization, warm-start the embeddings for items that were present in the previous instance of the model.\n- Create an \"average\" user to represent new users in matrix factorization models. You don't need the same embedding for each user---you can create clusters of users based on user features.\n- Use a DNN such as a softmax model or two-tower model. Since the model takes feature vectors as input, it can be run on a query or item that was not seen during training.\n- Add document age as a feature. For example, YouTube can add a video's age or the time of its last viewing as a feature.\n\nDiversity\n\nIf the system always recommend items that are \"closest\" to the query\nembedding, the candidates tend to be very similar to each other. This\nlack of diversity can cause a bad or boring user experience. For example,\nif YouTube just recommends videos very similar to the video the user is\ncurrently watching, such as nothing but owl videos\n(as shown in the illustration), the user will likely lose interest quickly.\n\nSolutions\n\n- Train multiple candidate generators using different sources.\n- Train multiple rankers using different objective functions.\n- Re-rank items based on genre or other metadata to ensure diversity.\n\nFairness\n\nYour model should treat all users fairly. Therefore, make sure\nyour model isn't learning unconscious biases from the training data.\n\nSolutions\n\n- Include diverse perspectives in design and development.\n- Train ML models on comprehensive data sets. Add auxiliary data when your data is too sparse (for example, when certain categories are under-represented).\n- Track metrics (for example, accuracy and absolute error) on each demographic to watch for biases.\n- Make separate models for underserved groups."]]
