视频:内容个性化的监督机器学习的利弊

了解更多关于真实世界的视频指标流媒体的下一个事件.

阅读这段录音的完整文本:

拉法Hosn: 我们来谈谈个性化的互动学习. 让我们以内容场景为例. 这是保罗. 保罗喜欢先浏览新闻，然后再做每周的白日梦. 另一方面，苏珊喜欢在打电话给客户之前浏览商业新闻.

问题是，为什么这两个兴趣迥异的人会看到同样的内容? 我们应该能够为每个人个性化. 第二个问题, 最常出现的是什么, 如果你正在个性化的内容，不断变化在你的脚下, 你是怎么做到的? 一个好的个性化服务是一个不断适应内容和上下文变化的服务.

在机器学习领域，人们如何做到这一点? 在进行个性化机器学习的人们中，最常见的方法是使用监督学习范式. 在监督学习范例中，您从一个训练示例开始. 然后你花了几百万美元给这些东西贴上标签. 你把他们塞进多种监督式学习者中. 这就产生了一个分类器，如果你用数字训练它，你就可以实时给出一个数字. 为了一定的准确性，它会给你那个数字.

监督学习效果很好. 它是语音识别、Siri、Alexa和Google 首页。的基础技术. 所有这些都来自于监督学习:图像网，图像识别，人脸api. 所有这些都是一个好的监督学习算法的结果.

新闻怎么样?? 如果你想个性化任何类型的内容呢, 比如新闻, 视频, 播放列表, 你要努力使商业成果最大化? 假设在这种情况下，您对点击率感兴趣. 要构建一个监督学习器，需要收集一些用户文章点击信息. 你建立了一个特性集，学习如何根据用户和文章预测点击. 在大多数公司中，您将其部署在A/B测试中. 然后就失败了. 问题是，为什么我的A/B测试失败了?

那么，哪里出了问题呢? 第一个问题:拉法对加拿大感兴趣吗? 如果你从来没有在我最喜欢的网站上提供加拿大的新闻, 你没有关于我点击有关加拿大的新闻文章的历史数据. 你的监督学习器从来没有见过这个例子, 如果你在用历史数据进行训练, 答案是否定的, 但我是加拿大人，我关注加拿大新闻, 所以你必须有正确的信号才能得到正确的答案. 这非常重要，尤其是当你在历史数据上进行训练时.

另一个出错的地方是当你创建基于历史数据的监督学习模型时. 顺便说一下，这是真实的数据，来自我们的一个合作伙伴. 第一天训练的模型到第二天就会失去一半的价值, 尤其是当内容在你脚下不断变化的时候，因为, 再一次。, 你在用历史数据进行训练. 除非你不断地重新贴标签和重新培训，否则这些模型会随着时间的推移而失去价值.