Каким образом механизм рекомендации может разобраться с одним и тем же, новым и потенциально важным контентом?

Question

Скажите, что вы создали механизм рекомендаций, который порекомендует вам живые телевизионные шоу для вас. Для регулярных показов вы могли бы сделать довольно хорошую работу, используя совместную фильтрацию и тому подобное. Но говорят, что это было похоже на посадку на Луну 1969 года. Это, очевидно, важное событие, вы хотите, чтобы механизм рекомендаций обрабатывал этот случай. Но вы также не можете полагаться на прошлое поведение, поскольку значение этой рекомендации падает до нуля после завершения шоу.

Каковы эффективные методы решения этой проблемы в пространстве рекомендаций?

Answer 1

Проблема в CF обычно противоположна: очень новые элементы без кликов/рейтингов пока не могут быть рекомендованы алгоритмом CF и поэтому возникают проблемы с получением перед пользователями. Старую, известную вещь следует легко рекомендовать.

Есть и другая противоположная проблема: некоторые алгоритмы системы рекомендаций будут иметь преимущественную силу для известных предметов, о которых все знают, а не о более длиннохвостых, менее известных элементах, которые в действительности могут быть лучшими рекомендациями.

Похоже, что у вас есть представление, что этот предмет очень хорош в некотором смысле. Это побочная информация, которую вы могли бы включить, грубо повысив оценочную стоимость на определенную сумму. Я думаю, что эффективный подход - это просто что-то подобное.

Answer 2

Вы могли бы из двух частей рекомендации двигатель:

1. вещи вы рука забрать
2. материал алгоритм выбирает

и положить их вместе.