Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Eine gemeinsame Architektur für Empfehlungssysteme besteht aus dem
folgenden Komponenten:
Kandidatengenerierung
Bewertung
Re-Ranking
Kandidatengenerierung
In dieser ersten Phase beginnt das System
mit einem potenziell großen Korpus und
eine viel kleinere Teilmenge von Kandidaten generiert. Beispiel: Der Kandidat
-Generator von YouTube, reduziert Milliarden von Videos auf Hunderte oder Tausende.
Das Modell muss Abfragen aufgrund der enormen Größe
Korpus. Ein bestimmtes Modell kann mehrere Kandidatengeneratoren bereitstellen, von denen jeder einen Nominierungs- oder
eine andere Gruppe von Kandidaten.
Bewertungen
Als Nächstes bewertet und bewertet ein anderes Modell die Kandidaten,
die Menge der Elemente (in der Reihenfolge von 10), die dem Nutzer angezeigt werden sollen. Da diese
relativ kleine Teilmenge von Artikeln bewertet, kann das System
ein genaueres Modell basierend auf
zusätzlichen Abfragen zu erstellen.
Re-Ranking
Schließlich muss das System zusätzliche Einschränkungen für die
am Ende des Rankings. Beispielsweise entfernt das System Elemente,
die das Video explizit negativ bewertet oder die Bewertung neuerer Inhalte verbessert wird. Re-Ranking
kann auch dazu beitragen, Vielfalt, Aktualität und Fairness zu gewährleisten.
Wir werden diese Phasen im Laufe des Kurses besprechen und
Beispiele aus verschiedenen Empfehlungssystemen wie YouTube.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 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."]]],[]]