26|重排序:如何对排序后的内容进行微调?
黄鸿波
你好,我是黄鸿波。
前面我们学习了基于机器学习算法的 GBDT+LR 排序和基于深度学习 DeepFM 的排序模型,它们都是在工业界中比较常用的排序模型,今天我们抛开算法和模型,讲一讲推荐系统得到排序结果后的处理,也就是重排序。
今天的课程主要分为下面两大部分。
什么是重排序以及为什么需要重排序。
常见的重排序的方案有哪些。
重排序的概念及作用
我们先来看一看如果不使用重排序的方案会产生什么问题。
在现有的方案中,我们将排序之后的结果直接按照用户喜好程度来进行推荐。这就会产生一些多样性和局部最优解的问题。
比如推荐系统可能只关注与用户历史记录相似的商品,而忽略了其他有价值的商品。另外如果只按照排序结果进行推荐,推荐系统可能会出现某一类别的商品过于集中的情况。这样会导致用户没有机会体验到其他类别的商品,满意度下降。
还有一种情况,如果只按照排序结果进行推荐,推荐系统可能会过于依赖用户个人历史记录,从而忽略了其他有价值的推荐因素,例如热门商品和新品。
我们来考虑这样一个场景,假设在信息流推荐系统中一次性推出来了 15 条内容,这 15 条内容从展示形式来看,遍及了视频和图文两个类别,其中视频有 7 条,图文有 8 条。由于这个用户平时比较喜欢用 App 产品看视频(看图文相对较少),因此在排序阶段,会认为用户点击视频的概率更大。那么这 15 条内容直接就会按照前面 7 条都是视频,后面 8 条都是图文的形式进行排列。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
本文深入探讨了推荐系统中排序后的内容微调的重要性以及常见的重排序方案。首先,文章指出了不进行重排序可能导致的多样性和局部最优解问题,以及推荐系统过于依赖用户个人历史记录的情况。在解决EE问题的过程中,平衡探索和利用是关键,需要合理地平衡探索和利用,才能有效提升推荐系统的效果和用户满意度。常见的重排序方案包括多样性处理、随机化处理和运营处理等,这些方法可以提高推荐的多样性、促进发现新内容,对推荐算法进行调整和优化,以及提高平台或企业的曝光率、营销效果、用户体验和收益。最后,文章通过Python代码示例展示了如何实现类别重排序。总的来说,本文通过深入浅出的方式介绍了推荐系统中排序后内容微调的重要性以及常见的重排序方案,为读者提供了一定的技术参考和实践指导。
仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《手把手带你搭建推荐系统》,新⼈⾸单¥59
《手把手带你搭建推荐系统》,新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(3)
- 最新
- 精选
- peter在一个真实的中大型公司里,推荐系统的算法是怎么用的?公司的推荐系统会有多种推荐算法,对于某个推荐类型,会根据实际情况组合多种推荐算法,是这样吗? 比如,推荐A内容,采用“算法1+算法4”;推荐B内容,采用“算法2+算法4 + 算法5”。 是这样吗?
作者回复: 是的,在大公司中,实际上就是各种推荐算法的组合,根据组合来进行各种推荐。
2023-06-16归属地:北京 - 爱极客请问老师,这几节课的理论,在课程项目里面能用到吗?
作者回复: 可以的,这个就是实际项目中用到的内容
2023-06-15归属地:广东 - 悟尘本篇 没有代码讲解吗?2023-12-18归属地:北京
收起评论