Maslahat beriş ulgamlary
Maslahat beriş ulgamlary
Maslahat beriş ulgamy diňe "CTR modeli" däl. Bu konweýer maglumatlary → dalaşgärler → reýting → syýasat → hereket → hakyky çäklendirmeler (tizlik, ýygylyk, dürlülik, etika/laýyklyk) boýunça içerki gymmaty optimizirleýän seslenme.
1) Maglumatlar, signallar we görkezmeler
Wakalar: tomaşa etmek/basmak/goşmak/satyn almak/depozitler, dwell-time, ýatyryşlar.
Mazmun/katalog: atributlar (kategoriýalar/resanrlar/studiýalar/bahasy/täzelik/üýtgewsizlik).
Ulanyjy profilleri: RFM, islegler, enjamlar/kanallar, wagt boşluklary.
Kontekst: sagat/gün/baýramçylyklar/oýunlar, lokal/TZ, görkeziş meýdançasy.
Hil: point-in-time reseptleri, wakalaryň idempotentligi, dedup/antibot, PII maskalanmagy.
Embeddingler: umumy giňişlikde user/item/context (MF/Word2Vec2Rec/transformers), multimodal (tekst/şekiller).
2) Arhitektura: Recall → Rank → Re-rank → Action
1. Candidate recall (200-5000 dalaşgär): ANN (FAISS/ScaNN), meşhurlyk/tendensiýalar, rule-based süzgüçler.
2. Ranking (20-200): LTR (GBM/NN), Tower-arhitektura, ikilik/köp maksatly nyşanlar (click, conversion, value).
3. Policy-aware re-rank (jemleýji sanawda 5-30): diwersifikasiýa/täzelik/serendiplik, markalaryň/kategoriýalaryň kwotalary, RG/complayens, ýygylyk gaplary, fairness.
4. Action :/push/e-mail/kuldaunlar we "asuda sagatlar" bilen şahsy vitrin.
5. Feedback: log 'impression → click → action → value', negatiw seslenme (skip, şikaýat).
3) Model paradigmalary
Content-based: atem we profil taýdan ýakynlyk; aýtemleriň sowuk başlamagy üçin ideal.
Hyzmatdaşlyk süzgüçleri: özara täsir matrisasy boýunça user-user/item-item.
Faktorizasiýalar/embeddingler: MF/BPR/NeuMF, iki diňli MLP (user tower × item tower).
Learning-to-Rank: pairwise/listwise (LambdaMART, RankNet), NDCG optimizasiýasy @k.
Sessiýa/yzygiderli: GRU4Rec, SASRec, Transformers (T5-style) - sessiýadaky tertip/kontekst.
Kontekst garakçylary: Çalt onlaýn uýgunlaşmalar we döredijilik üçin LinUCB/Thompson.
RL: SlateQ/DQN/Policy Gradient köp basgançakly baýrak üçin (saklamak/LTV).
Kauzal/uplift-çemeleşmeler: "çig CTR" däl-de, ösüşi göz öňünde tutýan teklipler.
4) Wezipäniň maksatlary, çäklendirmeleri we formulalary
Maksatlar: CTR/CTCVR, girdeji/marja/LTV, saklamak, kanagatlanma, tizlik.
Çäklendirmeler: diwersifikasiýa, üpjün edijileriň/kategoriýalaryň kwotalary, ýygylyk örtükleri, RG/complayens, fairness/etika, SLA p95.
[
\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
]bu ýerde Jeza - kwotalaryň/RG/ýygylygyň/monotonlygyň bozulmagy.
5) Metrikler we baha bermek
Awtonom
Degişli/reýting: AUC/PR-AUC, Recall @k, MAP, NDCG @k.
Iş: eRPM/eCPM, proxy-LTV, garaşylýan marja.
Kalibrlemek: Brier, ECE (bosagalar/syýasatlar üçin möhümdir).
Списки: coverage/diversity/novelty/serendipity.
Onlaýn
A/B/köp çarçuwaly synaglar: CTR, CTCVR, girdeji/seans, saklamak, şikaýatlar/jogaplar (garrails), latency/timeout.
Kauzal baha bermek: CUPED, kwazieksperimentler (DiD/sintetik gözegçilik) çäkli randomizasiýa bilen.
Uplift-metrikler: Qini/AUUC, uplift @k - treatment-aware teklipleri üçin.
6) Sowuk başlangyç we seýrek duş gelmek
Täze ulanyjylar: meşhur @segment, mazmun soragy, birinji gezek based, giň aňtaw bilen garakçy.
Täze atemler: meta-maglumatlar/tekst embeddingleri/suratlar + studiýa/kategoriýa boýunça look-alike.
Kiçi domenler: transfer learning, multi-task (shared tower), cross-domain distillation.
7) Diwersifikasiýa, täzelik, serendiplilik
Algoritmler: MMR, xQuAD, PM-2; monotonlyk üçin jerimeler.
Kwotalar: kategoriýalar/markalar/töwekgelçilik synplary boýunça min/max.
Sanawlaryň durnuklylygy: pozisiýalaryň inersiýasy, täzelenmeleriň gisterezisi; bermek bilen "ýakmaň".
8) infrastruktura we MLOps
Feature Store: PIT-reseptler, sessiýa üçin TTL, onlaýn/awtonom deňlik.
ANN-hyzmatlary: FAISS/ScaNN, şarding/kesh, replikasiýa.
Ranker: real-time çitler, kalibrlemek, wersiýa gollary.
Policy/Re-rank gatlagy: çäklendirmeler/kwotalar/RG/ýygylyk/diversity.
SLA: end-to-end p95 ≤ 100–300 мс; zaýalananda fallback (popular-safe).
Syn edilişi: trasirowka 'correlation _ id', fich-drift (PSI), onlaýn hil metrikleri, "stop-kran".
9) Howpsuzlyk, gizlinlik, ahlak
PII, RLS/CLS, gizlemek.
Görkezilýänçä RG/complayens-süzgüçler, ýygylyk kaplary, "asuda sagat".
Segmentler boýunça Fairness-diagnostika; görkezmegiň sebäpleriniň düşündirilmegi; şikaýat ýoly.
10) Psevdo-kod: gibrid 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]Döredijilik üçin "Thompson Sampling"
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) Pseudo-SQL: negatiw seslenme we ýygylyk örtükleri
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 (syýasatyň eskizi)
13) Anti-patternler
Inkrement we gymmatlygyň ýerine "çig CTR" -ni optimizirlemek.
Re-rank gatlagynyň ýoklugy → monotonlygyň artykmaçlygy, "görüş tuneli".
Geljekdäki adamlar; TZ garyşyk; signallaryň soralmadyk kesgitlemeleri.
Ähtimallyk ölçegi ýok → nädogry bosagalar/syýasatlar.
Ignor RG/etika/fairness → şikaýatlar/töwekgelçilikler/jerimeler.
Onlaýn/oflayn rasinhron fich we metrik - "düşmek".
Fallback we "dur-kranyň" ýoklugy.
14) Maslahat berijiniň işe girizilmeginiň çek-sanawy
- Ulgamyň pasporty: maksatlar, çäklendirmeler, metrikler, eýeler, wersiýalar
- Recall/Rank/Re-rank aýrylyşdy; ANN gyzdyryldy, keshler sazlandy
- PIT çyzgylar, kalibrlemek, oflayn çyzgylar (NDCG/PR-AUC) geçdi
- A/B-dizaýn we garawullar; decision-ready hasabaty (täsir/töwekgelçilik)
- Çäklendirmeler: diversity/kwotalar/RG/ýygylyk kaplary - amala aşyryldy we gözegçilik edilýär
- SLA p95, ýollar, aladalar, "dur-kran" we popular-safe fallback
- Resminamalar, runibuklar, inkremental gowulaşmalar meýilnamasy
Jemi
Güýçli maslahat beriş ulgamy policy-aware konweýer: tizlik, ahlak we dürlülik çäkleri astynda inkremental gymmaty optimizirleýän "Recall/Rank/Re-rank" gibrid. Onlaýn uýgunlaşmak üçin garakçylary/RL goşmak, MLOps düzgüni we dogry kauzal baha bermek bilen, siz "sanawlar üçin sanawlary" däl-de, ROMI, LTV we ulanyjylaryň kanagatlanmagyny ýokarlandyrýan dolandyrylýan çözgütleri alýarsyňyz - durnukly we ygtybarly.