สมมติว่าคุณมีโมเดลที่ฝัง เมื่อพิจารณาจากผู้ใช้ คุณจะ ตัดสินใจเลือกรายการที่จะแนะนำ
เมื่อมีคำค้นหาหนึ่งๆ เมื่อแสดงโฆษณา คุณจะเริ่มต้นด้วยการทำอย่างใดอย่างหนึ่งต่อไปนี้
- สำหรับโมเดลการแยกตัวประกอบเมทริกซ์ จะทราบการฝังการค้นหา (หรือผู้ใช้) แบบคงที่ และระบบก็สามารถค้นหาข้อมูลจาก เมทริกซ์ที่ฝังของผู้ใช้
- สำหรับโมเดล DNN ระบบจะคำนวณการค้นหาที่ฝัง \(\psi(x)\) ในการแสดงผลโดยการเรียกใช้เครือข่ายบนเวกเตอร์ของฟีเจอร์ \(x\)
เมื่อคุณฝังการค้นหา \(q\)แล้ว ให้ค้นหาการฝังรายการ \(V_j\) ที่อยู่ใกล้กับ \(q\) ในพื้นที่ที่ฝัง นี่คือปัญหาจากเพื่อนบ้านที่ใกล้ที่สุด เช่น อาจแสดงผล k ด้านบน รายการตามคะแนนความคล้ายคลึงกัน \(s(q, V_j)\)
คุณใช้วิธีที่คล้ายกันในการแนะนำรายการที่เกี่ยวข้องได้ ตัวอย่างเช่น เมื่อผู้ใช้ดูวิดีโอ YouTube ระบบจะสามารถค้นหา การฝังรายการนั้น แล้วมองหาการฝังรายการอื่นๆ \(V_j\) ที่อยู่ใกล้ในพื้นที่ที่ฝัง
การดึงข้อมูลจำนวนมาก
ในการคำนวณเพื่อนบ้านที่ใกล้ที่สุดในพื้นที่ที่ฝัง ระบบ สามารถให้คะแนนผู้สมัครทุกคนได้อย่างครบถ้วน ทำคะแนนได้เหนื่อยสุดๆ อาจมีราคาแพงสำหรับคลังข้อมูลขนาดใหญ่ แต่คุณสามารถใช้ กลยุทธ์ต่อไปนี้เพื่อเพิ่มประสิทธิภาพให้มากยิ่งขึ้น
- หากการฝังการค้นหาเป็นที่รู้จักในเชิงสถิติ ระบบจะดำเนินการ ทำคะแนนแบบออฟไลน์อย่างละเอียด คำนวณล่วงหน้า และจัดเก็บรายการ คำที่เป็นตัวเลือกยอดนิยมสำหรับคำค้นหาแต่ละคำ ซึ่งเป็นแนวทางปฏิบัติทั่วไปสำหรับ คำแนะนำรายการที่เกี่ยวข้อง
- ใช้เพื่อนบ้านที่อยู่ใกล้ที่สุด