مجموع وزنی معیارهای پیشبینیشده: الگوریتم‌های پیشنهاد محتوا چگونه امتیاز نهایی را برای رتبه‌بندی محاسبه میکنند
پیش از آنکه یک شبکه اجتماعی یا پلتفرم استریم پستی را نمایش دهد، الگوریتم پیشنهاددهنده آن با ضرب کردن اقدامات پیشبینیشده کاربر در وزن‌های تعیین‌شده توسط پلتفرم، یک امتیاز رتبه‌بندی نهایی را محاسبه می‌کند. این مجموع وزنی دقیقاً مشخص می‌کند چه محتوایی بالا بیاید و چه محتوایی دفن شود.
به قلم دلناز نورانی
این خبر را به اشتراک بگذارید
به‌طور خلاصه
- الگوریتم‌های پیشنهاد محتوا با ضرب اقدامات پیشبینیشده کاربر در وزن‌های تعیین‌شده توسط پلتفرم، امتیاز نهایی هر پست را محاسبه میکنند.
- مدلهای یادگیری ماشین احتمال یک اقدام را پیش‌بینی میکنند، اما این معادله مجموع وزنی است که ارزش واقعی آن را برای پلتفرم تعیین می‌کند.
- تغییر این وزنها، بدون نیاز به تغییر در هوش مصنوعی پایه، فوراً محتوایی که در فید ظاهر می‌شود را تغییر می‌دهد.
در یک نظرسنجی در سال ۲۰۲۲ پیرامون سیستم‌های پیشنهاددهنده چندهدفه که در arXiv منتشر شد، پژوهشگران مسئله‌ای را فرموله کردند که هر پلتفرم فناوری بزرگی با آن مواجه است: چگونه هنگام تصمیم‌گیری درباره آنچه کاربر در قدم بعدی می‌بیند، بین اهداف متناقض تعادل ایجاد کنیم. وقتی کاربری یک اپلیکیشن را باز می‌کند، سیستم صرفاً به دنبال «بهترین» محتوا نمی‌گردد. در عوض، ده‌ها احتمال مختلف را پیش‌بینی می‌کند—احتمال اینکه کاربر کلیک کند، احتمال اینکه لایک کند، احتمال اینکه کامنت بگذارد، و احتمال اینکه فوراً اپلیکیشن را ببندد.[1]
این احتمالات به تنهایی بی‌فایده‌اند. برای رتبه‌بندی فیدی متشکل از هزاران پست بالقوه، سیستم باید این پیش‌بینی‌های پراکنده را در یک عدد واحد خلاصه کند. این کار از طریق سازوکاری به نام مجموع وزنی معیارهای پیشبینیشده به دست می‌آید؛ یک معادله ریاضی که به عنوان داور نهایی برای دیده شدن محتوا عمل می‌کند.[1][8]
این مفهوم ساده است اما پیامدهای گسترده‌ای دارد. بر اساس یک مرور سیستماتیک بر بهینه‌سازی چندهدفه در سیستم‌های پیشنهاددهنده که در ResearchGate قرار گرفته، روش مجموع وزنی شامل اختصاص یک وزن عددی خاص به هر اقدام پیشبینیشده است. یک «لایک» ممکن است ۱ امتیاز، یک «کامنت» ۳ امتیاز و یک «اشتراکگذاری» ۵ امتیاز ارزش داشته باشد.[5]
الگوریتم، احتمال پیشبینیشده هر اقدام را در وزن اختصاص‌یافته به آن ضرب کرده و نتایج را با هم جمع می‌کند. اگر پستی ۱۰٪ احتمال اشتراکگذاری داشته باشد (۰٫۱ ضرب در ۵ مساوی ۰٫۵) و ۲۰٪ احتمال لایک شدن داشته باشد (۰٫۲ ضرب در ۱ مساوی ۰٫۲)، امتیاز رتبه‌بندی نهایی آن ۰٫۷ خواهد بود. سپس پلتفرم موجودی در دسترس را بر اساس این امتیاز نهایی، از بالاترین به پایین‌ترین، مرتب می‌کند.[8]
شرکت‌های فناوری غالباً الگوریتم‌های خود را به عنوان هوش مصنوعی بسیار پیشرفته‌ای بازاریابی میکنند که برای بالا آوردن آنچه کاربران به آن اهمیت می‌دهند طراحی شده است. در حالی که مدلهای یادگیری ماشین که احتمالات را پیش‌بینی میکنند واقعاً پیچیده‌اند، سازوکار رتبه‌بندی نهایی—یعنی مجموع وزنی—اساساً یک حساب و کتاب ساده است. هوشمندی در پیش‌بینی نهفته است؛ اما اولویت‌های واقعی پلتفرم در وزنها قرار دارد.[8]
این تمایز بسیار حیاتی است. همان‌طور که در مقاله سال ۲۰۲۴ در arXiv درباره یادگیری خط‌مشی چندمتغیره بیان شده، تغییر وزنها بدون نیاز به هیچ‌گونه تغییری در مدلهای پایه هوش مصنوعی، ماهیت فید را فوراً دگرگون می‌کند. اگر پلتفرمی بخواهد زمان سپری‌شده در اپلیکیشن را افزایش دهد، به سادگی وزن زمان تماشای پیشبینیشده را بالا می‌برد.[4]
روش مجموع وزنی مختص شبکه‌های اجتماعی نیست. ApX Machine Learning اشاره می‌کند که ترکیب وزنی یک تکنیک استاندارد در ساخت سیستم‌های پیشنهاددهنده در سراسر تجارت الکترونیک و استریم است. یک پیشنهاد محصول ممکن است به احتمال پیشبینیشده خرید وزن سنگینی بدهد، در حالی که یک سرویس استریم ممکن است به نرخ پیشبینیشده تکمیل تماشا وزن بیشتری اختصاص دهد.[3]
با این حال، سادگی مجموع وزنی چالش‌های قابل‌توجهی را به همراه دارد. یک تحلیل در سال ۲۰۱۲ در ResearchGate درباره روش مجموع وزنی برای بهینه‌سازی چندهدفه، یک نقص بنیادین را برجسته می‌کند: این روش فرض می‌کند که تمام اهداف می‌توانند به صورت خطی با یکدیگر مبادله شوند.[2]
در عمل، این بدان معناست که حجم عظیمی از تعاملات بی‌کیفیت می‌تواند از نظر ریاضی بر مقدار کمتری از تعاملات باکیفیت غلبه کند، مگر اینکه وزنها به شکلی بی‌نقص کالیبره شده باشند. پستی با ۹۰٪ احتمال ایجاد یک کلیک کم‌ارزش ۱ امتیازی، بالاتر از پستی با ۱۵٪ احتمال ایجاد یک اشتراکگذاری باارزش ۵ امتیازی قرار خواهد گرفت.[2][8]
برای مقابله با این موضوع، پلتفرمها اغلب وزن‌های منفی را برای اقدامات نامطلوب معرفی میکنند. یک اقدام پیشبینیشده مانند «پنهان کردن پست» یا «گزارش به عنوان اسپم» ممکن است وزنی معادل -۱۰۰ داشته باشد. اگر سیستم حتی یک احتمال کوچک ۱ درصدی را پیش‌بینی کند که کاربر پستی را گزارش می‌دهد، این وزن منفی عظیم، امتیاز نهایی را یک نمره کامل پایین می‌کشد و محتوا را دفن می‌کند.[8]
پیاده‌سازی یک سیستم پیشنهاددهنده میانگین وزنی در Kaggle در سال ۲۰۲۳ نشان می‌دهد که توسعه‌دهندگان چگونه این پارامترها را به صورت دستی تنظیم میکنند تا به نتایج دلخواه برسند. وزنها به ندرت ثابت هستند؛ آن‌ها دائماً از طریق تستهای A/B تنظیم می‌شوند تا تعادل بهینه‌ای پیدا شود که معیارهای کلان پلتفرم را به حداکثر برساند.[6]
راهنمای Product School درباره مدلهای امتیازدهی وزنی تأکید می‌کند که انتخاب این وزنها یک تصمیم مدیریت محصول است، نه یک تصمیم صرفاً فنی. وزنها بازتاب‌دهنده استراتژی فعلی کسب‌وکار هستند. اگر درآمد تبلیغاتی کاهش یابد، وزن اقداماتی که منجر به نمایش تبلیغات می‌شوند ممکن است بی‌سروصدا افزایش یابد.[7]
از آنجا که کد اختصاصی پایه پلتفرم‌های بزرگ عمومی نیست، پژوهشگران برای درک این سیستم‌ها به جای نقل‌قول‌های مستقیم از مهندسان پلتفرم، به مستندات فنی و آزمایش‌های کنترل‌شده تکیه میکنند. هیچ‌یک از متون فنی بررسی‌شده، نقل‌قول مستقیمی از مهندسان درباره مقادیر دقیق وزن‌هایشان ارائه نمیدهند، چرا که این موارد همچنان به عنوان اسرار تجاری کاملاً محافظت‌شده باقی می‌مانند.[8]
مجموع وزنی معیارهای پیشبینیشده به عنوان لایه ترجمه بین اهداف تجاری یک پلتفرم و تجربه دیجیتال کاربر عمل می‌کند. با درک این معادله، کاربران می‌توانند فیدهای خود را نه به عنوان بازتابی شخصی‌سازی‌شده از علایقشان، بلکه به عنوان خروجی محاسبه‌شده یک فرمول وزنی ببینند.[8]
اصطلاحات کلیدی
- مجموع وزنی
- یک روش ریاضی که با ضرب کردن چندین مقدار مجزا در میزان اهمیت (وزن) اختصاص‌یافته به آن‌ها و جمع کردن نتایج، یک امتیاز نهایی را محاسبه می‌کند.
- احتمال پیشبینیشده
- درصد احتمالی که توسط یک مدل یادگیری ماشین محاسبه می‌شود و نشان می‌دهد کاربر اقدام خاصی را روی یک محتوا انجام خواهد داد.
- بهینه‌سازی چندهدفه
- فرآیند بهینه‌سازی همزمان دو یا چند هدف متناقض، مانند تلاش برای به حداکثر رساندن همزمان تعامل کاربر و درآمد تبلیغاتی.
- تولید کاندیدا
- مرحله اولیه یک سیستم پیشنهاددهنده که پیش از محاسبه امتیاز نهایی رتبه‌بندی، میلیاردها پست در دسترس را فیلتر کرده و به چند صد آیتم مرتبط محدود می‌کند.
پرسش‌های متداول
معیار پیشبینیشده چیست؟
معیار پیشبینیشده، تخمین الگوریتم از احتمال انجام یک اقدام خاص توسط کاربر است، مانند ۲۰٪ احتمال لایک کردن یک پست یا ۵٪ احتمال به اشتراکگذاری آن.
چرا پلتفرمها به سادگی «بهترین» محتوا را نشان نمیدهند؟
زیرا مفهوم «بهترین» ذهنی و چندبعدی است. پلتفرمها باید بین اهداف متناقض تعادل ایجاد کنند، مانند به حداکثر رساندن زمان تماشا، تشویق به کامنت گذاشتن و به حداقل رساندن گزارشهای اسپم، که این امر نیازمند یک بدهبستان ریاضی است.
آیا میتوان وزنها را تغییر داد؟
بله. تیمهای محصول غالباً وزنها را از طریق تستهای A/B تنظیم میکنند تا رفتار فید را بدون نیاز به آموزش مجدد مدلهای پایه یادگیری ماشین تغییر دهند.
بررسی عمیق دیدگاه‌ها
مهندسان پلتفرم
بر کارایی و مقیاس‌پذیری روش مجموع وزنی برای رتبه‌بندی محتوا تمرکز دارند.
برای مهندسانی که این سیستم‌ها را می‌سازند، مجموع وزنی یک راه‌حل بسیار کارآمد و مقیاس‌پذیر است. این روش به آن‌ها اجازه می‌دهد تا مدلهای یادگیری ماشین (که احتمالات را پیش‌بینی میکنند) را از منطق تجاری (که وزنها را اختصاص می‌دهد) جدا کنند. این جداسازی بدان معناست که تیمهای محصول می‌توانند رفتار فید را در لحظه و تنها با دستکاری وزنها تنظیم کنند، بدون اینکه نیازی به آموزش مجدد مدلهای عظیم و پرهزینه هوش مصنوعی داشته باشند.
پژوهشگران الگوریتم
محدودیت‌ها و پیامدهای ناخواسته تخصیص وزن‌های خطی در سیستم‌های پیچیده را برجسته میکنند.
پژوهشگران دانشگاهی اشاره میکنند که روش مجموع وزنی ابزاری زمخت است. از آنجا که این روش فرض می‌کند تمام اهداف می‌توانند به صورت خطی مبادله شوند، در درک ترجیحات پیچیده و غیرخطی انسانی دچار مشکل می‌شود. حجم عظیمی از تعاملات بی‌کیفیت می‌تواند از نظر ریاضی بر مقدار کمی از تعاملات باکیفیت غلبه کند، که این امر منجر به گسترش طعمه‌های کلیک و جنجال‌آفرینی می‌شود، مگر اینکه پلتفرمها دائماً و به شکلی بی‌نقص وزن‌های منفی خود را کالیبره کنند.
مدیران محصول
وزنها را به عنوان اهرم‌های استراتژیک برای همسو کردن خروجی الگوریتم با اهداف تجاری می‌بینند.
برای تیمهای محصول، وزنها ابزار اصلی برای هدایت معیارهای پلتفرم هستند. اگر هدف سه‌ماهه افزایش کامنت‌گذاری فعال باشد، وزن اختصاص‌یافته به یک کامنت پیشبینیشده افزایش می‌یابد. این دیدگاه، الگوریتم را نه به عنوان یک داور بی‌طرف برای کیفیت، بلکه به عنوان یک سیستم پویا می‌بیند که باید به طور مداوم برای خدمت به اولویت‌های متغیر کسب‌وکار تنظیم شود.
- مهندسان پلتفرم
- بر کارایی و مقیاس‌پذیری روش مجموع وزنی برای رتبه‌بندی محتوا تمرکز دارند.
- پژوهشگران الگوریتم
- محدودیت‌ها و پیامدهای ناخواسته تخصیص وزن‌های خطی در سیستم‌های پیچیده را برجسته میکنند.
- مدیران محصول
- وزنها را به عنوان اهرم‌های استراتژیک برای همسو کردن خروجی الگوریتم با اهداف تجاری می‌بینند.
دیدگاه‌هایی که این گزارش پوشش نداده
- مدافعان حقوق دیجیتال
- تولیدکنندگان محتوا
منابع
پوشش منابع
8 منبع
3 دیدگاه شناسایی‌شده
- [1]arXivپژوهشگران الگوریتم
Multi-Objective Recommender Systems: Survey and Challenges
مطالعه در arXiv → - [2]ResearchGateپژوهشگران الگوریتم
The weighted sum method for multi-objective optimization: New insights
مطالعه در ResearchGate → - [3]ApX Machine Learningمهندسان پلتفرم
Weighted Hybridization in Recommenders
مطالعه در ApX Machine Learning → - [4]arXivپژوهشگران الگوریتم
Multi-Objective Recommendation via Multivariate Policy Learning
مطالعه در arXiv → - [5]ResearchGateپژوهشگران الگوریتم
Multi-objective optimization with recommender systems: A systematic review
مطالعه در ResearchGate → - [6]Kaggleمهندسان پلتفرم
BUILDING RECOMMENDATION SYSTEM
مطالعه در Kaggle → - [7]Product Schoolمدیران محصول
Weighted Scoring Model: Step-by-Step Implementation Guide
مطالعه در Product School → - [8]تیم سردبیری کوهستان
تحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
بیشتر در فناوری
مشاهده همه →واژگان دیجیتال
اضافه شدن ۵۹۰۰ واژه جدید به Dictionary.com: رسمیت یافتن اصطلاحات فرهنگ اینترنت و هوش مصنوعی
4 منبع
اسنپ‌چت با قابلیت «پلنز» به رقابت با پارتیفول برای برنامه‌ریزی رویدادهای واقعی می‌رود
4 منبع
احراز هویت وب
چگونه «کلیدهای عبور» (Passkeys) بدون انتقال رمز، جایگزین رمزهای عبور می‌شوند؟
6 منبع
حفظ بازی‌های ویدیویی
«ترا-لیک» ۱۲ ترابایتی استیم: آرشیو عظیم ولو واقعاً حاوی چه چیزهایی است؟
3 منبع
نظرات
هر زاویه. هر روز.
اخبار فناوری با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.