Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Một cấu trúc phổ biến cho hệ thống đề xuất bao gồm
thành phần sau:
tạo ứng viên
ghi điểm
xếp hạng lại
Tạo ứng viên
Trong giai đoạn đầu tiên này, hệ thống bắt đầu từ một kho dữ liệu khổng lồ và
sẽ tạo ra một tập hợp con nhỏ hơn nhiều. Ví dụ: ứng viên
trên YouTube giúp giảm hàng tỷ video xuống còn hàng trăm hoặc hàng nghìn video.
Mô hình này cần đánh giá nhanh các truy vấn do quy mô khổng lồ của
khối liệu. Một mô hình nhất định có thể cung cấp nhiều trình tạo ứng viên, mỗi trình đề cử
một tập hợp con khác của các đề xuất.
Điểm số
Tiếp theo, một mô hình khác chấm điểm và xếp hạng các ứng viên để chọn
tập hợp các mục (theo thứ tự 10) để hiển thị cho người dùng. Từ ngày này
mô hình này đánh giá một tập hợp con tương đối nhỏ các mục, thì hệ thống có thể sử dụng
một mô hình chính xác hơn
dựa trên các truy vấn bổ sung.
Xếp hạng lại
Cuối cùng, hệ thống phải tính đến những ràng buộc bổ sung đối với
xếp hạng cuối cùng. Ví dụ: hệ thống xoá các mục mà người dùng
không thích một cách rõ ràng hoặc làm tăng điểm số của nội dung mới hơn. Xếp hạng lại
cũng có thể giúp đảm bảo tính đa dạng, mới mẻ và công bằng.
Chúng ta sẽ thảo luận về từng giai đoạn này trong suốt lớp học và
lấy ví dụ từ nhiều hệ thống đề xuất, chẳng hạn như YouTube.
[[["Dễ hiểu","easyToUnderstand","thumb-up"],["Giúp tôi giải quyết được vấn đề","solvedMyProblem","thumb-up"],["Khác","otherUp","thumb-up"]],[["Thiếu thông tin tôi cần","missingTheInformationINeed","thumb-down"],["Quá phức tạp/quá nhiều bước","tooComplicatedTooManySteps","thumb-down"],["Đã lỗi thời","outOfDate","thumb-down"],["Vấn đề về bản dịch","translationIssue","thumb-down"],["Vấn đề về mẫu/mã","samplesCodeIssue","thumb-down"],["Khác","otherDown","thumb-down"]],["Cập nhật lần gần đây nhất: 2024-07-26 UTC."],[[["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."]]],[]]