מערכות המלצה

מערכות המלצה

מערכת ההמלצות היא לא רק "מודל CTR. "זהו צינור של נתונים * מועמדים * מדורגים במדיניות * action, * משוב שמייעל ערך אינקרמנטלי תחת אילוצים של העולם האמיתי (מהירות, כיפות תדר, גיוון, אתיקה/ציות).

1) נתונים, אותות וייצוגים

אירועים: צפיות/לחיצות/הוספות/רכישות/הפקדות, זמן השכן, ביטולים.
תוכן/קטלוג: תכונות (קטגוריות/ז 'אנרים/אולפנים/מחיר/רעננות/תנודתיות).
פרופילי משתמש: RFM, העדפות, מכשירים/ערוצים, לוח זמנים.
הקשר: שעה/יום/חגים/גפרורים, מקום/טי-זי, אתר תצוגה.
איכות: מתכונים נקודתיים בזמן, אידמפוטנטיות של אירועים, Deadup/antiboot, מיסוך PII.
סממנים: משתמש/פריט/הקשר במרחב משותף (MF/Word2Vec2Rec/Transform), מולטימודלי (טקסט/תמונות).

2) ארכיטקטורה: Record # Rank # Re-Rank Action

1. זכרון מועמדים (200-5000 מועמדים): אן (FAISS/SCANN), פופולריות/מגמות, מסננים מבוססי חוקים.
2. דירוג (20-200): LTR (GBM/NN), ארכיטקטורות מגדל, מטרות בינאריות/רב-מטרות (לחיצה, המרה, ערך).
3. (5-30 ברשימה הסופית): גיוון/חידוש/סרנדיפיטי, מכסות מותג/קטגוריה, RG/ציות, פקקי תדר, הגינות.
4. פעולה: הצג/דחיפה/דואר אלקטרוני/תצוגה אישית עם קרירות ו ”שעות שקטות”.
5. משוב: log 'example' lick 'action # action' value ', משוב שלילי (דלג, תלונה).

3) פרדיגמות מודל

מבוסס תוכן: קרבה על ידי תכונות ופרופיל IT; אידיאלי להתחלה קרה עבור פריטים.
סינון שיתופי: משתמש/פריט על ידי מטריצת אינטראקציה.
Pactorization/ambedings: MF/BPR/NeuMF, 2-tower MLP (מגדל המשתמש × פריט מגדל).
למידה מדרגה ראשונה: pairwise/listwise (LambdMART, RankNet), NDCG אופטימיזציה @ k.
סשן/רצף: GRU4Rec, SASRec, רובוטריקים (T5-style) - סדר/הקשר בהפעלה.
שודדים קונטקסטואליים: LINUCB/Thompson עבור עיבודים מהירים באינטרנט ויצירות.
RL: SlateQ/DQN/Policy Gradient עבור פרס רב שלבים (שימור/LTV).
גישות סיבתיות/מרוממות: המלצות שלוקחות בחשבון את העלייה, ולא CTR גולמי.

4) מטרות, מגבלות וניסוח המשימה

מטרות: CTR/CTCVR, הכנסות/מרווח/LTV, שימור, שביעות רצון, מהירות.
מגבלות: גיוון, מכסות ספק/קטגוריה, מכסות תדירות, RG/ציות, הגינות/אתיקה, SLA p95.

[
\ טקסטייל ציון =\אלפא\cdot\hat p_{\text{click} + +\beta\cdot\text {value}

\ Gamma\cdot\text {Fatiague} + + delta\cdot\text {novelty} -\sum _ j\lambda _ j\cdot\text {Pendal} _ j
]

היכן שהעונש הוא מכסה/ר "ג/תדר/הפרות מונוטוניות.

5) מדדים וניקוד

לא מקוון

רלוונטיות/דירוג: AUC/PR-AUC, Recall @ k, MAP, NDCG @ k.
עסקים: eRPM/eCPM, proxy-LTV, מרווח צפוי.
כיול: Brier, ECE (חשוב לסף/מדיניות).
סיקור/גיוון/חידוש/סרנדיפיות.

מקוון

מבחני A/B/מולטי-תוויות: CTR, CTCVR, הכנסה/הפעלה, שימור, תלונות/אי-שימוש במעקות בטיחות, latency/timeout.
הערכה סיבתית: CUPED, quasi-experiments (DID/synetic control).
מדדים עולים: Qini/AUUC, uplift @ k - להמלצות טיפול מודע.

6) התחלה קרה ודלילה

משתמשים חדשים: popular @ port, survey, תוכן המבוסס על הקליק הראשון, שודד עם אינטליגנציה רחבה.
אייטמים חדשים: metadata/text medings/images + looks by studio/textrage.
תחומים קטנים: למידת העברה, ריבוי משימות (מגדל משותף), זיקוק חוצה תחומים.

7) גיוון, חידוש, מקרי

אלגוריתמים: MMR, xQUAD, PM-2; קנסות על מונוטוניות.
מכסות: מין/מקס לפי קטגוריה/מותג/רמת סיכון.
רשימת יציבות: מיקום אינרציה, עדכון היסטרזיס; אל ”הבזק” הפלט.

8) תשתיות ו ־ MLOPS

חנות תכונה: מתכוני PIT, TTL לתכונות הפעלה, זוגיות מקוונת/לא מקוונת.
שירותי אן: FAISS/SCANN, חדירה/מטמון, שכפול.
תכונות בזמן אמת, כיול, חתימות גרסה.
שכבה מדינית/מדורגת מחדש: גבולות/מכסות/RG/תדרים/מגוון.
SLA: מקצה לקצה p95 יומן 100-300 גיבוי (פופולרי-בטוח) תחת השפלה.
תצפיות: correlation _ id races, feature drift (PSI), מדדי איכות מקוונים, stop crane.

9) ביטחון, פרטיות, אתיקה

מזעור PII, RLS/CLS, מיסוך.
מסנני RG/ציות לפני התצוגה, פקקי תדר, שעות שקטות.
אבחון הוגן לפי קטע; הסבר של הסיבות לתוכנית; נתיב ערעור.

10) פסאודו קוד: Recred # Rank # Re-Rank Hybrid

python
Recall cand_emb = ann.recall(user_embed, topk=500)
cand_rule = popular.by_segment(user.segment, k=200)
cands = dedup(cand_emb + cand_rule)

Rank features = featurize(user, cands, context)   # user/item/context scores = ranker.predict(features)        # p(click), value

Policy-aware re-rank final = rerank(
cands, scores,
constraints=dict(
diversity_min={'category': 3},
brand_quota={'A':0.3,'B':0.3},
rg_filter=True,
freq_caps=get_user_caps(user)
),
objective_weights=dict(ctr=0.6, value=0.3, novelty=0.1)
)
return final[:N]

טעימת תומפסון ליצירות יצירתיות (סקיצה)

python beta priors per creative: (α, β)
samples = {cr: np.random.beta(alpha[cr], beta[cr]) for cr in creatives}
chosen = max(samples, key=samples.get)
show(chosen)
update(alpha, beta, reward=click)

11) פסאודו-SQL: משוב שלילי וכיפות תדר

sql
-- Последний показ и флаги «скрыть/жалоба» → баним на 7 дней
WITH last_impr AS (
SELECT user_id, item_id,
MAX(ts) AS last_ts,
BOOL_OR(feedback_hide) AS hidden,
BOOL_OR(feedback_report) AS reported
FROM impressions
GROUP BY 1,2
)
SELECT i.
FROM inventory i
LEFT JOIN last_impr l ON l.user_id=:uid AND l.item_id=i.item_id
WHERE COALESCE(l.hidden,false)=false
AND COALESCE(l.reported,false)=false
AND (l.last_ts IS NULL OR l.last_ts < NOW() - INTERVAL '7 day');

12) שולחן החלטות

13) אנטי דפוסים

אופטימיזציה של CTR גולמי במקום הגדלה וערך.
מחסור בשכבה מחדש * עודף מונוטוני, ”מנהרת ראייה”.
פרצופים מהעתיד; ערבוב TZ; הגדרות אות לא בקיאות.
אין כיול של הסתברויות * סף/מדיניות שגויה.
התעלם מ RG/אתיקה/הגינות * תלונות/סיכונים/קנסות.
תכונה מקוונת/לא מקוונת של דסינכרוני ומדדים - ”דעיכה” במזון.
היעדר נסיגה ועצור את השסתום.

14) רשימת המלצות לשיגור

[ דרכון מערכת ] - מטרות, מגבלות, מטריצות, בעלים, גרסאות

[ ] Recall/Rank/Re-Reserved Grusted; אן התחממה, מטמונים מוגדרים

[ ] תכונות בור, כיול, ספסל לא מקוון (NDCG/PR-AUC) עבר

[ ] A/B עיצוב ומעקות בטיחות; דו "ח מוכן להחלטה

[ הגבלות ]: מגוון/מכסות/RG/caps - מיושמות ונוטרות

[ ] SLA p95, עקבות, התראות, עצור מנוף

[ תיעוד ], ראניבוקס, תוכנית לשיפור אינקרמנטלי

תוצאות

מערכת המלצות חזקה היא הצינור המודע למדיניות: Recall/Rank/Re-Rank/Rank-Rank אשר מייעל את הערך האינקרמנטלי תחת מגבלות מהירות, אתיקה ומגוון. על ידי הוספת שודדים/RL להתאמה מקוונת, משמעת MLOps והערכה סיבתית נכונה, לא מקבלים ”רשימות למען הרשימות”, אלא פתרונות מנוהלים המגבירים את ROMI, LTV ושביעות רצון המשתמש - יציבים ובטוחים.