სარეკონსტრუქციო სისტემები

სარეკონსტრუქციო სისტემა არა მხოლოდ CTR მოდელია. ეს არის კონვეიერის მონაცემები - კანდიდატები - რანჟირება - პოლიტიკა - მოქმედება - გამოხმაურება, რომელიც ოპტიმიზაციას უწევს სავარაუდო მნიშვნელობას რეალური შეზღუდვების ქვეშ (სიჩქარე, სიხშირის ქუდი, მრავალფეროვნება, ეთიკა/შესაბამისობა).

1) მონაცემები, სიგნალები და იდეები

მოვლენები: ნახვა/დაწკაპუნება/დამატებები/შესყიდვები/ანაბრები, ორმაგი დრო, გაუქმება.
შინაარსი/კატალოგი: ატრიბუტები (კატეგორიები/ჟანრები/სტუდიები/ფასი/სიახლე/ცვალებადობა).
მომხმარებლის პროფილები: RFM, პრეფერენციები, მოწყობილობები/არხები, დროის სლოტები.
კონტექსტი: საათი/დღე/არდადეგები/მატჩები, ლოკალი/TZ, შოუს ადგილი.
ხარისხი: point-in-time რეცეპტები, მოვლენების იდემპოტენტობა, დედოპი/ანტიბოტი, შენიღბვა PII.
ემბედინგი: user/item/context საერთო სივრცეში (MF/Word2Vec2Rec/ტრანსფორმერები), მულტიმოდური (ტექსტი/სურათები).

2) არქიტექტურა: Recall - Rank - Re-rank - Action

1. Candidate recall (200-5000 კანდიდატი): ANN (FAISS/ScaNN), პოპულარობა/ტენდენციები, დაჩქარებული ფილტრები.
2. Ranking (20-200): LTR (GBM/NN), Tower არქიტექტურა, ორობითი/მრავალ დანიშნულების ტარგეტები (კლიკი, კონვერსია, ვალუ).
3. policy-aware re-rank (საბოლოო სიაში 5-30): დივერსიფიკაცია/სიახლე/serendipence, ბრენდის/კატეგორიის კვოტები, RG/შესაბამისობა, სიხშირის ქუდები, fairness.
4. Action: შოუ/en/e-mail/პერსონალური ვიტრინა, რომელსაც აქვს ფეხები და „მშვიდი საათი“.
5. Feedback: log 'impression - click - action - value', უარყოფითი გამოხმაურება (skip, საჩივარი).

3) სამოდელო პარადიგმები

შინაარსის ბასი: სიახლოვე აიტემისა და პროფილის საფუძველზე; იდეალურია აიტემის ცივი დაწყებისთვის.
თანამშრომლობითი ფილტრაცია: user-user/item-item ურთიერთქმედების მატრიქსის მიხედვით.
ფაქტორიზაცია/ემბედინგი: MF/BPR/NeuMF, ორსართულიანი MLP (user tower × item tower).
Learning-to-Rank: pairwise/listwise (LambaMART, RankNet), NDCG @ k ოპტიმიზაცია.
სესია/თანმიმდევრული: GRU4Rec, SASRec, T5-Style - წესრიგი/კონტექსტი სხდომაზე.
კონტექსტური ბანდიტები: LinUCB/Thompson სწრაფი ონლაინ ადაპტაციებისა და შემოქმედებისთვის.
RL: SlateQ/DQN/Policy Gradient მრავალსაფეხურიანი ჯილდოსთვის (გამართვა/LTV).
კაუზალური/uplift მიდგომები: რეკომენდაციები, რომლებიც ითვალისწინებენ ზრდას და არა „ნედლეულს CTR“.

4) დავალების მიზნები, შეზღუდვები და ფორმულირება

მიზნები: CTR/CTCVR, შემოსავალი/ზღვარი/LTV, შენარჩუნება, კმაყოფილება, სიჩქარე.
შეზღუდვები: დივერსიფიკაცია, პროვაიდერების/კატეგორიის კვოტები, სიხშირის ქუდები, RG/შესაბამისობა, fairness/ეთიკა, SLA p95.

policy-aware re-rank (სკალარიზაციის მაგალითი):

[
\textstyle Score = \alpha \cdot \hat p_{\text{click}} + \beta \cdot \text{Value}

\gamma \cdot \text{Fatigue} + \delta \cdot \text{Novelty} - \sum_j \lambda_j \cdot \text{Penalty}_j
]

სადაც penalty არის კვოტების დარღვევა/RG/სიხშირე/ერთფეროვნება.

5) მეტრიკა და შეფასება

ოფლაინი

შესაბამისი/რანჟირება: AUC/PR-AUC, Recall @ k, MAP, NDCG @ k.
ბიზნესი: eRPM/eCPM, proxy-LTV, მოსალოდნელი ზღვარი.
კალიბრაცია: Brier, ECE (მნიშვნელოვანია რეიდებისთვის/პოლიტიკოსისთვის).
Списки: coverage/diversity/novelty/serendipity.

ონლაინ

A/B/მრავალ ჩარჩო ტესტები: CTR, CTCVR, შემოსავალი/სესია, გამართვა, საჩივრები/პასუხები (guardrails), latence/timeout.
კაუზალური შეფასება: CUPED, კვაზიექსპერიმენტები (DiD/სინთეზური კონტროლი) შეზღუდული რანდომიზაციით.
Uplift მეტრიკები: Qini/AUUC, uplift @ k - რეკომენდაციების გასაცემად.

6) ცივი დასაწყისი და იშვიათობა

ახალი მომხმარებლები: popular @ segment, შინაარსის გამოკითხვა, შინაარსის შევსება პირველ კლიშეზე, ფართო დაზვერვის ბანდიტი.
ახალი items: მეტამონაცემები/ტექსტური ემბედინგი/სურათები + look-alike სტუდიაში/კატეგორიაში.
მცირე დომენები: transfer learning, multi-task (shared tower), cross-domain distillation.

7) დივერსიფიკაცია, სიახლე, სიფხიზლე

ალგორითმები: MMR, xQuAD, PM-2; ჯარიმები ერთფეროვნებისთვის.
კვოტები: min/max კატეგორიებში/ბრენდებში/რისკების კლასებში.
სიების სტაბილურობა: პოზიციების ინერცია, განახლებების ჰისტერეზი; ნუ „შაკიკი“ გაცემით.

8) ინფრასტრუქტურა და MLOps

Feature Store: PIT რეცეპტები, TTL სესიის ხაზებისთვის, ონლაინ/ოფლაინ პარიტეტისთვის.
ANN სერვისები: FAISS/ScaNN, შარდინგი/ქეში, რეპლიკაცია.
Ranker: რეალურ დროში ჩიპები, კალიბრაცია, ვერსიების ხელმოწერა.
policy/Re-rank ფენა: შეზღუდვები/კვოტები/RG/სიხშირე/განვითარება.
SLA: end-to-end p95 ≤ 100–300 мс; დეგრადაციის დროს fallback (popular-safe).
დაკვირვება: კვანძები 'correlation _ id', წინა დრიფტი (PSI), ონლაინ ხარისხის მეტრიკა, „გაჩერების ამწე“.

9) უსაფრთხოება, კონფიდენციალურობა, ეთიკა

მინიმიზაცია PII, RLS/CLS, შენიღბვა.
RG/შესაბამისობის ფილტრები ჩვენებამდე, სიხშირის ქუდები, „მშვიდი საათი“.
Fairness დიაგნოზი სეგმენტებზე; შოუს მიზეზების ახსნა; გასაჩივრების გზა.

10) ფსევდო კოდი: ჰიბრიდი Recall - Rank - Re-rank

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]

Thompson Sampling შემოქმედებისთვის (ესკიზი)

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) ფსევდო-SQL: უარყოფითი გამოხმაურებები და სიხშირის ქუდები

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) Decision table (პოლიტიკის ესკიზი)

პირობა	კონტექსტი	მოქმედება	შეზღუდვები	კომენტარი
`new_user & low_history`	ონბორდინგი	popular@segment + content-seed	სიხშირის ქუდები, RG	ცივი დასაწყისი
`session_len>3 & diversity_low`	სესია	MMR/xQuAD re-rank	min 3 კატეგორია	ნამსხვრევები
`uplift_push≥τ`	ოფერები	პირადი	Do-Not-Disturb, საჩივრები X	კვალი, არა CTR
`risk_RG≥τ`	ნებისმიერი	რისკის შინაარსის ბლოკი	RG/შესაბამისობა	უსაფრთხოება

13) ანტი შაბლონები

„ნედლეული CTR“ - ის ოპტიმიზაცია სავარაუდო და ფასეულობის ნაცვლად.
re-rank ფენის არარსებობა არის ერთფეროვნების ჭარბი რაოდენობა, „ხედვის გვირაბი“.
სახეები მომავალიდან; TZ ნაზავი; სიგნალის გამოუყენებელი განმარტებები.
არ არსებობს ალბათობის კალიბრაცია - არასწორი ბარიერები/პოლიტიკა.
RG/ეთიკის/გირაოს უგულებელყოფა საჩივრები/რისკები/ჯარიმები.
ონლაინ/offline rassinchron fich და metrick - გაყიდვაში „ჩაძირვა“.
fallback და „გაჩერების ამწე“ არარსებობა.

14) რეკომენდატორის გაშვების ჩეკის სია

სისტემის პასპორტი: მიზნები, შეზღუდვები, მეტრიკა, მეპატრონეები, ვერსიები
Recall/Rank/Re-rank განქორწინებულია; ANN გაათბეთ, ქეშები
PIT ფიჩები, კალიბრაცია, ოფლაინ-ბენჩეკები (NDCG/PR-AUC) დასრულდა
A/B დიზაინი და guardrails; decision ready (ეფექტი/რისკი)
შეზღუდვები: diversity/კვოტები/RG/სიხშირის ქუდები - ხორციელდება და აკონტროლებს
SLA p95, ტრეკები, ალერტები, „გაჩერებული ამწე“ და პოპ-safe fallback
დოკუმენტაცია, რუნიბუკები, სავარაუდო გაუმჯობესების გეგმა

შედეგი

ძლიერი სარეკონსტრუქციო სისტემა არის კონვეიერის პოლიცია: ჰიბრიდული Recall/Rank/Re-rank, რომელიც ოპტიმიზაციას უწევს სავარაუდო მნიშვნელობას სიჩქარის, ეთიკისა და მრავალფეროვნების შეზღუდვებით. Bandits/RL ონლაინ ადაპტაციისთვის, MLOps დისციპლინის და სწორი კაუზური შეფასების დამატება, თქვენ მიიღებთ არა „სიებს სიების გულისთვის“, არამედ კონტროლირებადი გადაწყვეტილებები, რომლებიც ზრდის ROMI, LTV და მომხმარებელთა კმაყოფილება სტაბილური და უსაფრთხოა.

სარეკონსტრუქციო სისტემები

ოფლაინი

ონლაინ

Thompson Sampling შემოქმედებისთვის (ესკიზი)

შედეგი

დაგვიკავშირდით

სწრაფი კავშირი

ვიდეო მალე განახლდება

ჩვენ ახლა ძალიან დაკავებული ვართ პროექტებით