概述
推荐是排名预测，而不是偏好的保证。
深入探讨
Google 的 YouTube 推荐论文描述了一个两阶段的设计：候选生成从大型目录中检索可管理的集合，然后排名模型为查看者排序候选。协作过滤使用用户-项目交互模式，而基于内容的方法使用项目属性。这些方法针对不同的信息源并且可以组合。推荐器的输出取决于记录的交互、功能设计和目标选择；引用的论文并未为每个平台建立通用架构。
现实世界的实施
协作过滤可以使用用户-项目交互中的模式来建议与相似历史相关的项目。
基于内容的过滤可以使用与用户先前兴趣中的项目相似的属性对项目进行排名。
候选生成阶段可以在单独的排名模型排序之前检索候选列表。
离线评估可以检查准确性和排名质量，例如多样性和NDCG；这些指标本身并不能确定用户利益。
人工智能个性化引擎的未来
对于特定系统，记录目标、候选池、排名指标和评估群体。测试更改是否会影响相关性和其他选定的列表质量。引用的来源建立了特定的模型和评估概念，而不是商业推荐产品的当前部署细节。
付诸实践
为什么这很重要
- 构建选择. 应用级设计决定了人工智能是否能改善实际结果。
- 团队与工作流程. 良好的工作流程集成可以创造用户值得信赖的生产力收益。
- 风险与安全. 范围明确的用例可以减少变更疲劳和实施风险。
留意
- 将损坏的流程自动化可能会加剧现有问题。
- 团队可能会过度自动化并消除所需的人工判断。
- 如果不持续评估输出，质量可能会出现偏差。
后续步骤
- 绘制当前工作流程并确定摩擦最大的步骤。
- 在完全自动化之前定义人工检查点。
- 对用户进行提示、升级路径和质量标准方面的培训。
- 跟踪任务级结果以确认持续价值。
不断探索
常见问题
什么是人工智能个性化引擎？
推荐系统根据交互历史记录、项目属性或两者来估计哪些项目可能对用户有用。推荐是排名预测，而不是偏好的保证。
协同过滤主要依靠什么？
协同过滤根据相似用户和项目的行为推断偏好，而不仅仅是根据项目内容。
什么是个性化中的“冷启动问题”？
当用户或项目是全新的时，引擎缺乏作为推荐基础的交互历史记录。
在典型的两阶段架构中，第一阶段（候选生成）做什么？
在较重的排名模型对入围名单进行评分之前，候选生成会使用嵌入相似性等快速方法来缩小庞大的目录。
为什么推荐者可能会将多样性目标添加到排名列表中？
推荐研究将多样性和新颖性与预测准确性一起视为单独的排名质量；添加多样性目标可以减少冗余结果，但不能保证用户满意度。
推荐系统中的“嵌入”是什么？
嵌入将用户和项目映射到共享向量空间，其中附近的向量表示可能的匹配。