Il prossimoProssima guida
Contenitori Docker per modelli ML
Tecnico
GUIDA TECNICA
Un dispositivo di raccomandazione a due torri codifica un utente o una query e ciascun elemento candidato separatamente in vettori, quindi assegna un punteggio a una coppia in base alla somiglianza dei vettori.
Ascolta questa guidaNarrato dall'IA · ~3 min
Poiché i vettori degli elementi possono essere precalcolati e indicizzati, i modelli a due torri supportano il recupero scalabile prima di una fase di classificazione più dettagliata.
I sistemi di raccomandazione spesso separano il recupero dei candidati dalla classifica. Il recupero restringe un ampio catalogo a un insieme gestibile di elementi potenzialmente rilevanti. Un modello a due torri utilizza un codificatore per l'utente o la query e un altro per gli elementi candidati. Ciascuna torre trasforma le proprie caratteristiche disponibili in un vettore in uno spazio di incorporamento condiviso. Una funzione di somiglianza, spesso un prodotto scalare o un punteggio coseno, classifica le coppie di candidati. I due encoder possono essere gestiti in modo indipendente. Gli incorporamenti di elementi possono essere calcolati offline e archiviati in un indice del vicino più vicino. Al momento della richiesta, la torre dell'utente crea un vettore di query e l'indice restituisce una lista ristretta. Questa separazione supporta cataloghi di grandi dimensioni in modo più efficiente rispetto alla valutazione di un modello con giunto profondo rispetto a ogni articolo. TensorFlow Recommenders descrive questa architettura come recupero con query e modelli candidati. La struttura indipendente crea un compromesso. Ridimensiona il recupero, ma non può modellare direttamente interazioni arbitrarie a coppie che richiedono di vedere l'utente e l'elemento insieme, a meno che tali interazioni non siano rappresentate nell'obiettivo o nelle funzionalità di training di incorporamento. Un classificatore downstream può combinare i candidati recuperati con un contesto più ricco, funzionalità incrociate e vincoli operativi. Il richiamo del recupero è importante: un classificatore non può selezionare un oggetto che non è mai stato recuperato. La formazione spesso utilizza interazioni positive e negativi campionati o in batch per modellare lo spazio di inclusione. La strategia di campionamento negativo e i registri di esposizione influiscono su ciò che apprende il modello. La valutazione dovrebbe misurare il richiamo o il posizionamento in un pool di candidati realistico e verificare le prestazioni di avvio a freddo. Monitora l'aggiornamento dell'incorporamento, gli aggiornamenti degli indici e la compatibilità delle versioni e delle funzionalità. Una somiglianza elevata è un punteggio di recupero, non una probabilità calibrata o una prova delle preferenze dell'utente. Nella progettazione del sistema si dovrebbero applicare l’ammissibilità, la sicurezza, la diversità e i vincoli politici. L'architettura rende pratica la ricerca su larga scala, mentre l'esperienza dell'utente finale dipende dalla copertura dei candidati, dalla qualità del ranking e dalla valutazione oltre la somiglianza offline.
Un'ipotetica app musicale codifica l'attività recente di un ascoltatore in un vettore utente e i metadati di ogni brano in un vettore elemento. Una ricerca del vicino più vicino recupera brani i cui vettori sono simili.
Un servizio di recupero precalcola gli incorporamenti di elementi e li ricerca con un indice approssimativo del vicino più vicino, evitando una valutazione completa della rete neurale per ogni coppia utente-elemento al momento della richiesta.
Un modello di classificazione considera quindi un ulteriore contesto specifico della coppia, come la sessione corrente, la freschezza e i vincoli aziendali, che torri separate potrebbero non catturare durante il recupero.
Un team verifica che gli incorporamenti di utenti ed elementi siano generati da versioni e dimensioni compatibili; la preelaborazione non corrispondente o i vettori di elementi obsoleti possono degradare i punteggi di somiglianza.
I sistemi a due torri possono diventare più utili monitorando il ricordo dei candidati, incorporando freschezza e latenza insieme ai risultati della classifica finale. I team dovrebbero controllare insieme le versioni dei tower e degli indici e testare le modifiche alle funzionalità prima di ricostruire l'infrastruttura di recupero. Man mano che le popolazioni di utenti e di elementi crescono, la ricerca approssimativa può migliorare la scala, ma deve essere verificata rispetto al recupero esatto sui campioni. Un ranking separato può aggiungere contesto preservando una chiara fase di recupero. I report dovrebbero spiegare che la somiglianza produce candidati, quindi mostrare come i filtri e il ranking successivi influenzano ciò che effettivamente vedono gli utenti.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Un dispositivo di raccomandazione a due torri codifica un utente o una query e ciascun elemento candidato separatamente in vettori, quindi assegna un punteggio a una coppia in base alla somiglianza dei vettori. Poiché i vettori degli elementi possono essere precalcolati e indicizzati, i modelli a due torri supportano il recupero scalabile prima di una fase di classificazione più dettagliata.
I due codificatori mappano in modo indipendente le funzionalità lato query e lato candidato in uno spazio vettoriale condiviso.
Poiché i vettori degli elementi vengono calcolati in modo indipendente, possono essere generati offline e indicizzati.
Gli indici vettoriali supportano la ricerca di similarità sugli incorporamenti di elementi precalcolati.
I rankinger a valle vedono solo i candidati restituiti tramite recupero, quindi i candidati mancati non possono essere recuperati lì.
La codifica indipendente favorisce la scala ma potrebbe non catturare interazioni ricche che richiedono entrambe le parti congiuntamente.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Contenitori Docker per modelli ML
Tecnico