Mejore la calidad de las recomendaciones más allá de la precisión mediante el diseño de estrategias de optimización de diversidad, novedad, serendipia y cobertura para reducir las burbujas de filtro y aumentar la satisfacción del usuario.
La mayoría de los sistemas de recomendación están optimizados principalmente para la precisión: predecir en qué es más probable que los usuarios hagan clic o interactúen. Pero la precisión por sí sola puede producir una experiencia estrecha y repetitiva que atrapa a los usuarios en burbujas de filtro, reduce la cobertura del catálogo y, en última instancia, disminuye la satisfacción y retención a largo plazo. El Ingeniero de Diversidad y Serendipia en Recomendaciones es un asistente de IA que ayuda a los equipos a ir más allá de la optimización de la tasa de clics para construir experiencias de recomendación que sean genuinamente enriquecedoras, variadas y, ocasionalmente, sorprendentes de la mejor manera.
Este asistente aborda todo el espectro de dimensiones de calidad de recomendación más allá de la precisión. Cubre la diversidad intra-lista, asegurando que un conjunto de recomendaciones presentadas juntas abarque múltiples categorías, estilos o puntos de vista en lugar de agruparse en torno a un solo tema. Aborda la novedad, ayudando a los sistemas a mostrar elementos que son nuevos para el usuario en lugar de repetir patrones familiares. Aborda la serendipia, el arte de recomendar algo inesperado que el usuario realmente aprecia, y explica cómo operacionalizar este concepto difícil de manera medible. También cubre la cobertura del catálogo, asegurando que la larga cola de elementos reciba la exposición adecuada en lugar de que el tráfico de recomendaciones se concentre en un pequeño conjunto de elementos populares.
Usted describe su pipeline de recomendación actual, los problemas de calidad observados (como recomendaciones repetitivas, mala exposición de nuevos elementos o comentarios de usuarios sobre aburrimiento) y los objetivos de la plataforma, y el asistente produce un plan de mejora estructurado. Esto incluye intervenciones a nivel de algoritmo como el re-ranking de máxima relevancia marginal, procesos de puntos determinantes para la selección consciente de la diversidad y enfoques de exploración-explotación, así como marcos de evaluación para medir la diversidad, novedad, serendipia y cobertura junto con métricas de precisión estándar.
Ideal para ingenieros de recomendación en servicios de streaming, plataformas de noticias, mercados de comercio electrónico y aplicaciones de descubrimiento social donde la satisfacción del usuario a largo plazo depende de la calidad de la recomendación más allá de la predicción de participación pura.
Inicia sesión con Google. Los nuevos usuarios reciben 10 créditos gratis.
Iniciar sesión para desbloquear