Aanbevelingsmodellen met twee torens

Bij aanbevelingssystemen wordt het ophalen van kandidaten vaak gescheiden van de rangschikking. Door het ophalen wordt een grote catalogus beperkt tot een beheersbare reeks potentieel relevante items. Een model met twee torens gebruikt één encoder voor de gebruiker of zoekopdracht en een andere voor kandidaat-items. Elke toren transformeert zijn eigen beschikbare functies in een vector in een gedeelde inbeddingsruimte. Een gelijkenisfunctie, vaak een puntproduct of cosinusscore, rangschikt kandidaatparen. De twee encoders kunnen onafhankelijk van elkaar worden gebruikt. Item-insluitingen kunnen offline worden berekend en opgeslagen in een dichtstbijzijnde index. Op het moment van de aanvraag creëert de gebruikerstoren een zoekvector en retourneert de index een shortlist. Deze scheiding ondersteunt grote catalogi efficiënter dan het evalueren van een diepnaadmodel op basis van elk item. TensorFlow Recommenders beschrijft deze architectuur als ophalen met query- en kandidaatmodellen. De onafhankelijke structuur creëert een afweging. Het schaalt het ophalen, maar kan geen willekeurige paarsgewijze interacties modelleren waarvoor de gebruiker en het item samen moeten worden gezien, tenzij deze interacties worden weergegeven in het inbeddingsdoel of de kenmerken van de training. Een downstream-ranger kan opgehaalde kandidaten combineren met een rijkere context, cross-features en operationele beperkingen. Terugroepactie is belangrijk: een rangschikking kan geen item selecteren dat nooit is opgehaald. Bij training wordt vaak gebruik gemaakt van positieve interacties en bemonsterde of in-batch-negatieven om de inbeddingsruimte vorm te geven. De negatieve bemonsteringsstrategie en de blootstellingslogboeken zijn van invloed op wat het model leert. Evaluatie moet de terugroeping of rangschikking in een realistische kandidatenpool meten en de prestaties bij koude start controleren. Controleer de versheid van de insluiting, vernieuwingen van de index en compatibiliteit met functieversies. Een hoge gelijkenis is een ophaalscore, geen gekalibreerde waarschijnlijkheid of bewijs van gebruikersvoorkeur. Bij het systeemontwerp moeten geschiktheid, veiligheid, diversiteit en beleidsbeperkingen worden toegepast. De architectuur maakt grootschalig zoeken praktisch, terwijl de ervaring van de eindgebruiker afhangt van de dekking van kandidaten, de rangschikkingskwaliteit en evaluatie die verder gaat dan offline gelijkenis.