Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Une architecture courante pour les systèmes de recommandation est
composants suivants:
génération de candidats
notation
reclassement
Génération de candidats
Dans cette première étape, le système part
d'un corpus potentiellement énorme
génère un sous-ensemble bien plus réduit de candidats. Par exemple, le candidat
générateur de vidéos de YouTube réduit des milliards de vidéos à plusieurs centaines ou milliers.
Le modèle doit évaluer rapidement les requêtes compte tenu de l'immense taille
de Google Cloud. Un modèle donné peut fournir plusieurs générateurs, chacun nominant
un autre sous-ensemble de candidats.
Notation
Ensuite, un autre modèle note et classe les candidats afin de sélectionner
l'ensemble d'éléments (de l'ordre de 10) à présenter à l'utilisateur. Étant donné que
à un sous-ensemble d'éléments relativement petit, le système peut utiliser
plus précis reposant sur des requêtes supplémentaires.
Reclassement
Enfin, le système doit tenir compte de contraintes supplémentaires
le classement final. Par exemple, le système supprime les éléments que l'utilisateur
n'a pas été explicitement aimé ou améliore la note des contenus plus récents. Reclassement
peut également contribuer à garantir la diversité, l'actualisation et l'impartialité.
Nous aborderons chacune de ces étapes
donnent des exemples tirés de différents systèmes de recommandation, comme YouTube.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2024/07/26 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 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."]]],[]]