Многие рекомендательные системы полагаются на историю взаимодействий пользователей, чтобы понять их долгосрочные интересы. Однако такой подход может быть неэффективным для системы похожих объектов.
система похожих объектов принимает объект, который пользователь просматривает сейчас, а затем выдает ранжированный список объектов, отсортированный по вероятности того, что пользователь их откроет.
вход принимается конкретный объект, который сейчас просматривает пользователь, а на выходе генерируется ранжированный список похожих объектов, по которым пользователь с большой вероятностью будет кликать.
Система персонализации ленты новостей вырабатывает список постов, ранжированный по тому, насколько они способствуют вовлеченности пользователя. Поточечная модель обучения ранжированию (LTR)
этом каждой реакции назначается вес в зависимости от того, какую ценность для нас она представляет. Затем система МО оптимизируется, чтобы максимизировать взвешенную оценку реакций.
