Ese es un marco interesante. Sin embargo, cuestionaría los supuestos.
Primero, un motor de recomendación puede usarse en muchos contextos. ” reflejar el (los) interés (s) sutil y evolutivo de un usuario en una lista extremadamente corta ” es ciertamente un caso de uso típico, pero no el único, y un evento en el que uno necesita calificación:
- “intereses sutiles” es una exageración: en realidad lo que el recomendante intenta lograr es identificar un interés, no los intereses. Es decir, para la mayoría de los casos de uso, es suficiente encontrar al menos un elemento interesante para ofrecer al usuario, no necesariamente la lista superior exacta de los N elementos más interesantes. Nos esforzamos por filtrar una (potencialmente) gran cantidad de elementos, pero no importa mucho si se desliza un elemento no ideal (siempre que no sea un error) ni perder otros elementos ideales, si al menos logramos buscar buenos candidatos Estamos jugando atención a la economía aquí.
- “evolucionar” es justo en términos abstractos, pero en términos prácticos nuestros gustos subyacentes no cambian muy rápido, por lo que en un motor de recomendación también podemos evolucionar lentamente los modelos de usuario para reflejar la dimensión del tiempo. El efecto de las modas rápidas también se puede agregar para obtener un sistema que se vea “más fresco” (no es lo que hace internamente, sino cómo se ve externamente lo que cuenta).
- “Una lista extremadamente corta” es ciertamente una limitación, pero los investigadores de UX siempre están tratando de ir más allá de eso. Aunque actualmente la mejora más común sobre esto parece estar en la forma de “un montón de listas extremadamente cortas” (al menos semánticamente etiquetadas, por lo general). Quizás la conclusión es que los humanos somos realmente muy aficionados a las listas, porque parecen proporcionar un sentido de orden agradecido en un espacio caótico.
Finalmente, la retroalimentación de relevancia continua es una buena manera de lograr una mejor coincidencia con los deseos del usuario (sin exigir un alto esfuerzo de conceptualización de su parte). Sin embargo:
- ¿Cuáles son las mejores prácticas en torno al aprendizaje automático y los sistemas de recomendación para sitios de trabajo?
- ¿Puedo usar el aprendizaje profundo para aprender el aprendizaje profundo?
- ¿Debo usar juicios de relevancia explícitos o comentarios de clics implícitos para recopilar datos de capacitación para construir un modelo de Aprendizaje para clasificar?
- Andrew Ng: ¿Cuáles son los requisitos previos para iniciar el aprendizaje automático?
- ¿Debo ir a la Universidad de Radboud o Groningen para Machine Learning?
- El número de ciclos de retroalimentación de relevancia debe ser corto, de lo contrario el usuario se cansaría. El propósito de un motor de recomendación es, después de todo, reducir el esfuerzo de encontrar algo interesante.
- ¿Cómo sabes que esto no se está haciendo ya? Cuando hace clic en un elemento de una lista, o en una lista de listas, en realidad está proporcionando comentarios, y si el motor de fondo es lo suficientemente inteligente, podría hacer uso de esos comentarios para mejorar los resultados en la siguiente página de resultados.
