Aller au contenu
English

Hybrides

  • Leçon 19
  • 35 min
  • Module 6 : Le contenu, les hybrides et le démarrage à froid

Où nous en sommes

Chaque méthode convient à certains clients et produits. Nous pouvons les combiner. Dans cette leçon, nous mélangeons les scores, changeons de méthode par segment et intégrons le contenu au modèle. Nous mesurons aussi le coût de chaque choix.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité
Leçon 19 sur 29 · Recommandation et personnalisation : montrer à chacun ce qui compteHybrides
Aperçu du cours

5. La factorisation matricielle pour la rétroaction implicite

  1. Goûts cachés
  2. ALS et BPR avec implicit
  3. Régler sans vous tromper vous-même

Ce que vous saurez faire

Combinez des méthodes qui conviennent à différents clients. Mélangez les scores après leur mise à l’échelle, changez de méthode par segment ou fournissez le contenu à un modèle appris. Mesurez chaque choix sur les mêmes clients. Choisissez les poids sur la période de validation et examinez le coût de la méthode gagnante.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter met deux scores à l’échelle et les additionne dans un petit exemple. Il mélange ensuite le contenu et les tendances pour chaque client de Larkfield. Vous choisissez le poids des tendances sur la période de validation et évaluez la période de test une seule fois. Ses cellules de préparation téléchargent environ 9 Mo de données d’exercice. Environ 20 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 35 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)

  • Votre projet larkfield-recs avec methods/content.py et methods/hybrid.py des deux dernières leçons.
  • Les fichiers d’exercice dans ../nextia-learning-labs, à côté du dossier du projet.

Testé sur macOS avec Python 3.12. Les commandes Windows (PowerShell) n’ont pas été exécutées.

Une bonne vendeuse écoute trois voix avant de suggérer un article à une cliente régulière. Sa mémoire : « elle a déjà acheté des pots et des plantes ». Les étiquettes : « ce nouveau pot de fleurs ressemble aux pots qu’elle aime ». La caisse : « tout le monde achète des gants de jardinage cette semaine ».

Elle ne choisit pas une voix en ignorant les autres. Pour une inconnue, elle fait surtout confiance à la caisse. Pour une cliente régulière, elle se fie davantage à sa mémoire, mais vérifie quand même les ventes de la semaine. C’est un hybride : une suggestion issue de plusieurs méthodes.

Examinez les méthodes présentées jusqu’ici dans ce cours, par segment, sur la période de test.

Méthode Tous (2 118) Nouveaux (952) Occasionnels (556) Fidèles (610)
trending 0,156 0,169 0,162 0,132
popular-category 0,143 0,118 0,161 0,164
als (réglé) 0,149 0,154 0,140 0,150
content 0,119 0,151 0,085 0,102

Aucune méthode des modules 1 à 5 ne dépasse les tendances sur l’ensemble des clients. Les tendances gagnent pour les clients nouveaux et occasionnels. Pour les clients fidèles, popular-category et ALS font mieux. Pour les nouveaux produits, la dernière leçon montrait que seuls le contenu et les cases réservées aident.

Le changement strict de méthode de la dernière leçon, hybrid-switch, donne 0,142 : pas mieux qu’ALS. Il attribue une méthode à chaque client et abandonne les tendances dès que le client a quelques événements. Il nous faut une meilleure façon de combiner les méthodes.

Trois façons de combiner les méthodes. 1. Mélange : chaque méthode attribue un score à chaque produit; la liste utilise une somme pondérée des scores. 2. Changement de méthode : comptez les événements du client; 0 événement donne les tendances, 1 à 4 le contenu, 5 ou plus ALS. 3. Contenu intégré au modèle : le score de contenu et les détails du produit deviennent des entrées (caractéristiques) d'un modèle appris, au module 7.
Trois façons de construire un hybride. Cette leçon mesure le mélange et le changement de méthode; le module 7 construit la troisième.
Description textuelle du diagramme

Trois rangées, chacune avec deux encadrés et une flèche. Rangée 1, mélange : chaque méthode attribue un score à chaque produit; la liste utilise une somme pondérée des scores. Rangée 2, changement de méthode : comptez les événements du client. Avec 0 événement, utilisez les tendances; avec 1 à 4, le contenu; avec 5 ou plus, ALS. Rangée 3, contenu intégré au modèle : le score de contenu et les détails du produit deviennent des entrées appelées caractéristiques. Le module 7 construit ce modèle appris.

  • Un mélange attribue à chaque produit un score provenant de chaque méthode, multiplie chaque score par un poids et les additionne. Chaque client reçoit un peu de chaque méthode.
  • Un changement de méthode attribue une méthode à chaque client selon une règle, comme le nombre d’événements. Vous l’avez mesuré dans la dernière leçon.
  • Le contenu intégré au modèle fournit au modèle appris le score de contenu et les détails du produit, avec l’historique. Le modèle apprend à quel point se fier à chaque entrée. Certaines bibliothèques le font dans la factorisation matricielle; LightFM est un exemple connu. Sa dernière version, datant de 2023, fournit seulement du code source que vous devez compiler. Ce cours ne l’utilise donc pas. Le module 7 reprend cette idée avec un modèle de classement. La méthode par le contenu est une de ses sources de candidats. Ses entrées comprennent aussi la correspondance entre la catégorie et le style du produit et l’historique du client.

Les méthodes produisent des scores sur différentes échelles. Un cosinus se situe entre −1 et 1. Les cosinus de Larkfield sont rapprochés, entre environ 0,8 et 0,95. Les tendances comptent les acheteurs : 0, 40, 120. Si vous additionnez ces valeurs telles quelles, les décomptes décident de tout.

Le projet met donc à l’échelle les scores de chaque méthode pour chaque client. Le score le plus bas du client devient 0, et le plus haut devient 1. Il prend d’abord le logarithme des décomptes des tendances, pour qu’un énorme meilleur vendeur n’écrase pas les autres.

Un petit exemple construit : un client, quatre produits, des scores de contenu et de tendances.

Produit Contenu (cosinus) Tendances (acheteurs) Contenu, de 0 à 1 Tendances, de 0 à 1 Mélange = contenu + 0,5 × tendances
A 0,91 3 1,00 0,29 1,14
B 0,88 40 0,73 0,77 1,12
D 0,86 0 0,55 0,00 0,55
C 0,80 120 0,00 1,00 0,50

Sans mise à l’échelle, le produit C gagnerait largement : 0,80 + 0,5 × 120 = 60,8. Après la mise à l’échelle, A gagne parce qu’il correspond aux goûts du client. B arrive juste derrière, car il est à la fois proche de ses goûts et populaire. L’ordre tient maintenant compte des deux voix.

La méthode hybrid-blend. Le score ALS, le score de contenu et le score des tendances sont chacun ramenés entre 0 et 1 pour le client. Ils sont multipliés par 1, 0,5 et 0,5, puis additionnés. La liste contient les 10 produits ayant la somme la plus élevée. Pour un client sans historique, ALS et le contenu donnent 0; seules les tendances décident.
Le hybrid-blend du projet : trois scores mis à l'échelle, trois poids, une somme.
Description textuelle du diagramme

Trois scores à gauche : le score ALS issu de l’historique, le score de contenu issu du texte et le score des tendances des 28 derniers jours. Chacun est ramené entre 0 et 1 pour ce client. Les flèches portent des poids : 1 pour ALS, 0,5 pour le contenu, 0,5 pour les tendances. Elles se rejoignent dans un encadré à bordure épaisse, « Additionner ». La somme donne la liste : les 10 produits ayant la somme la plus élevée. Une flèche pointillée relie une note à la somme : pour un client sans historique, ALS et le contenu donnent 0. Seules les tendances décident alors.

Le hybrid-blend du projet additionne trois parties : ALS × 1, contenu × 0,5 et tendances × 0,5. Un client sans historique reçoit 0 d’ALS et du contenu; seules les tendances ordonnent donc sa liste. Un client fidèle reçoit surtout ALS et le contenu. Mais un produit qui se vend bien cette semaine bénéficie quand même d’un coup de pouce.

Sur la période de test, le mélange obtient un rappel à 10 (recall@10) de 0,167 (0,154 à 0,182). C’est la première méthode du tableau comparatif du cours à dépasser les tendances (0,156). Est-elle vraiment meilleure? Comparez sur les mêmes clients :

recall@10: trending 0.156, hybrid-blend 0.167
difference +0.011 (95% interval -0.004 to +0.027); better for 235 customers, worse for 211, the same for 1,672
The difference is not clear: the interval includes 0.
coverage 0.3% -> 32.4%; novelty 5.10 -> 5.85
new 952 customers -0.010 (-0.028 to +0.006)
occasional 556 customers -0.008 (-0.043 to +0.030)
loyal 610 customers +0.061 (+0.029 to +0.095)

Ce n’est pas clair sur l’ensemble des clients. C’est clairement mieux pour les clients fidèles, +0,061. Pour les clients nouveaux et occasionnels, le résultat ressemble à celui des tendances. Et le mélange montre 32,4 % des produits en vente, plutôt que 0,3 %. Face à ALS seul, le mélange fait clairement mieux : +0,025 (+0,018 à +0,033).

Pour comprendre le mélange, retirez une partie à la fois. Ces exécutions expliquent le résultat; elles ne servent pas à choisir.

Mélange Recall@10, test Couverture
ALS × 1 + contenu × 0,5 + tendances × 0,5 (par défaut) 0,167 32,4 %
sans contenu 0,162 24,6 %
sans tendances 0,101 40,6 %

Le contenu ajoute un peu de rappel et beaucoup de couverture. Les tendances sont la partie qui soutient le mélange. Sans elles, le rappel tombe à 0,101, le pire résultat de cette page. La section Erreurs courantes ci-dessous explique pourquoi.

Les poids 1, 0,5 et 0,5 étaient une première estimation. Les poids sont des paramètres; la règle du module 5 s’applique donc. Essayez-les sur la période de validation, gardez les meilleurs et évaluez la période de test une seule fois. recs tune fait cela :

{"w_content": 0, "w_trending": 0.5} recall@10 0.171 NDCG@10 0.104 fit 3.1 s
{"w_content": 0, "w_trending": 1} recall@10 0.189 NDCG@10 0.111 fit 2.9 s
{"w_content": 0, "w_trending": 2} recall@10 0.190 NDCG@10 0.106 fit 3.0 s
{"w_content": 0.5, "w_trending": 0.5} recall@10 0.172 NDCG@10 0.110 fit 3.2 s
{"w_content": 0.5, "w_trending": 1} recall@10 0.188 NDCG@10 0.116 fit 3.5 s
{"w_content": 0.5, "w_trending": 2} recall@10 0.196 NDCG@10 0.117 fit 3.5 s
{"w_content": 1, "w_trending": 0.5} recall@10 0.173 NDCG@10 0.113 fit 3.6 s
{"w_content": 1, "w_trending": 1} recall@10 0.186 NDCG@10 0.118 fit 3.5 s
{"w_content": 1, "w_trending": 2} recall@10 0.199 NDCG@10 0.122 fit 3.5 s
Best on validation: {"w_content": 1, "w_trending": 2} (recall@10 0.199); saved to outputs/best-hybrid-blend.json
Now test it once: recs evaluate hybrid-blend --set w_content=1 --set w_trending=2

Davantage de tendances aide dans chaque ligne. Les meilleurs poids sont ALS × 1, contenu × 1 et tendances × 2. Évalué une seule fois sur la période de test, ce mélange obtient un recall@10 de 0,193 (0,178 à 0,208). Face aux tendances, sur les mêmes clients, la différence est de +0,037 (+0,025 à +0,048) : c’est clair. Elle est aussi claire dans chaque segment : nouveaux +0,016 (+0,004 à +0,029), occasionnels +0,042 (+0,016 à +0,070), fidèles +0,063 (+0,038 à +0,089).

Recall@10 sur la période de test avec des intervalles à 95 %, pour tous les clients et par segment. Le mélange réglé est le seul à dépasser les tendances dans chaque segment.
Description textuelle du graphique

Quatre panneaux avec le recall@10 de 0 à 0,25. Tous les clients : trending 0,156 (0,143 à 0,172); als (tuned) 0,149 (0,135 à 0,164); content 0,119 (0,106 à 0,132); hybrid-switch 0,142 (0,129 à 0,157); hybrid-blend 0,167 (0,154 à 0,182); mélange réglé 0,193 (0,178 à 0,208). Clients nouveaux : trending 0,169, als (tuned) 0,154, content 0,151, hybrid-switch 0,150, hybrid-blend 0,159, mélange réglé 0,185. Clients occasionnels : trending 0,162, als (tuned) 0,140, content 0,085, hybrid-switch 0,120, hybrid-blend 0,154, mélange réglé 0,204. Clients fidèles : trending 0,132, als (tuned) 0,150, content 0,102, hybrid-switch 0,150, hybrid-blend 0,194, mélange réglé 0,195. Dans chaque panneau, le mélange réglé a le point le plus haut, et le contenu le plus bas ou presque.

Un rappel plus élevé n’est pas gratuit. Le mélange réglé s’appuie sur les tendances; il montre donc moins de produits différents. La couverture est de 14,4 % plutôt que de 32,4 %, et la nouveauté passe de 5,85 à 5,26 bits. C’est le compromis de Au-delà de l’exactitude : plus d’exactitude, une plus petite part du magasin. Il montre quand même beaucoup plus du magasin que les tendances (0,3 %).

Et le lancement? Sur la période de lancement, le mélange par défaut montre 0 des 240 produits lancés (0,1 % nouveaux produits dans les listes). Un mélange de scores issus de l’historique ne règle pas le démarrage à froid des produits. Un produit sans historique n’obtient aucun score ALS ni aucun score de tendances. Son score de contenu seul est rarement assez élevé. Si la nouvelle gamme de Hana doit être visible, ajoutez la case réservée de la dernière leçon au mélange choisi.

Choix Recall@10, test Mieux que les tendances? Couverture Produits lancés montrés Effort
Changement de méthode selon les événements 0,142 non 54,5 % (non mesuré) une règle
Mélange, poids estimés au départ 0,167 pas clair; clients fidèles seulement 32,4 % 0 trois modèles
Mélange, poids choisis sur la validation 0,193 oui, chaque segment 14,4 % (non mesuré) trois modèles + réglage
ALS + une case réservée 0,133 au lancement non 37,4 % au lancement 186 une règle ajoutée
  1. Copiez les tests de ce module. Vous avez copié hybrid.py dans la dernière leçon :

    Fenêtre de terminal
    S=../nextia-learning-labs/C37/snapshots/end-of-m06
    cp $S/tests/test_m06.py tests/
  2. Évaluez le mélange par segment :

    Fenêtre de terminal
    recs evaluate hybrid-blend --by segment
    Method hybrid-blend (ALS + 0.5 content + 0.5 trending, each scaled 0..1 per customer), test period
    Customers scored: 2,118; trained on events before 2026-06-22
    recall@10 0.167 (95% interval 0.154 to 0.182), NDCG@10 0.107, MAP@10 0.080, precision@10 0.026, hit rate 21.8%
    coverage 32.4% of the products on sale, novelty 5.85 bits, diversity 0.71, new products in the lists 12.9%
    time: fit 3.2 s, suggestions 0.2 s
    segment customers recall@10 NDCG@10 95% interval (recall)
    new 952 0.159 0.107 0.137 to 0.181
    occasional 556 0.154 0.094 0.128 to 0.183
    loyal 610 0.194 0.120 0.166 to 0.224
    new products: 647 orders of new products in the period; recall@10 on them 0.189
  3. Comparez-le aux tendances : recs compare trending hybrid-blend --by segment. Exécutez d’abord recs evaluate trending si vous n’avez aucune exécution enregistrée. Vous voyez la comparaison ci-dessus : +0,011, pas clair.

  4. Réglez les poids sur la période de validation. Cela prend environ 40 secondes :

    Fenêtre de terminal
    recs tune hybrid-blend --grid w_content=0,0.5,1 --grid w_trending=0.5,1,2

    Vous voyez les neuf lignes ci-dessus et les meilleurs poids {"w_content": 1, "w_trending": 2}.

  5. Évaluez les poids choisis sur la période de test, une seule fois :

    Fenêtre de terminal
    recs evaluate hybrid-blend --set w_content=1 --set w_trending=2 --by segment
    Method hybrid-blend (ALS + 0.5 content + 0.5 trending, each scaled 0..1 per customer), test period, settings {'w_content': 1, 'w_trending': 2}
    Customers scored: 2,118; trained on events before 2026-06-22
    recall@10 0.193 (95% interval 0.178 to 0.208), NDCG@10 0.119, MAP@10 0.086, precision@10 0.029, hit rate 25.5%
    coverage 14.4% of the products on sale, novelty 5.26 bits, diversity 0.92, new products in the lists 20.9%
    time: fit 3.5 s, suggestions 0.2 s
    segment customers recall@10 NDCG@10 95% interval (recall)
    new 952 0.185 0.118 0.161 to 0.208
    occasional 556 0.204 0.120 0.172 to 0.234
    loyal 610 0.195 0.119 0.168 to 0.224
    new products: 647 orders of new products in the period; recall@10 on them 0.303
  6. Comparez le mélange aux tendances. Le nom de l’exécution contient les paramètres entre crochets; mettez-le donc entre guillemets :

    Fenêtre de terminal
    recs compare trending "hybrid-blend[w_content=1,w_trending=2]" --by segment
    recall@10: trending 0.156, hybrid-blend[w_content=1,w_trending=2] 0.193
    difference +0.037 (95% interval +0.025 to +0.048); better for 185 customers, worse for 87, the same for 1,846
    The difference is clear: the interval does not include 0.
    coverage 0.3% -> 14.4%; novelty 5.10 -> 5.26
    new 952 customers +0.016 (+0.004 to +0.029)
    occasional 556 customers +0.042 (+0.016 to +0.070)
    loyal 610 customers +0.063 (+0.038 to +0.089)
  7. Exécutez les tests avec python -m pytest -q. Vous voyez 23 passed (23 tests réussis).

  8. Votre projet correspond maintenant à l’instantané end-of-m06. Seul son README.md diffère.

Le meilleur poids des tendances, 2, est la plus grande valeur de la grille. Quand la meilleure valeur est au bord, une valeur plus grande pourrait être encore meilleure. Changez une chose : élargissez la grille. Faites d’abord une prédiction : w_trending=4 sera-t-il encore meilleur sur la période de validation?

Fenêtre de terminal
recs tune hybrid-blend --grid w_content=0.5,1,2 --grid w_trending=2,4
Afficher la réponse
{"w_content": 0.5, "w_trending": 2} recall@10 0.196 NDCG@10 0.117 fit 3.4 s
{"w_content": 0.5, "w_trending": 4} recall@10 0.181 NDCG@10 0.099 fit 3.1 s
{"w_content": 1, "w_trending": 2} recall@10 0.199 NDCG@10 0.122 fit 2.9 s
{"w_content": 1, "w_trending": 4} recall@10 0.188 NDCG@10 0.105 fit 3.0 s
{"w_content": 2, "w_trending": 2} recall@10 0.200 NDCG@10 0.124 fit 3.0 s
{"w_content": 2, "w_trending": 4} recall@10 0.197 NDCG@10 0.115 fit 2.9 s
Best on validation: {"w_content": 2, "w_trending": 2} (recall@10 0.200); saved to outputs/best-hybrid-blend.json
Now test it once: recs evaluate hybrid-blend --set w_content=2 --set w_trending=2

Non. Avec w_trending=4, chaque ligne est moins bonne : trop de tendances rend à nouveau la liste identique pour tout le monde. Donc, 2 est près du sommet. w_content=2 donne 0,200 contre 0,199, une différence bien plus petite que l’intervalle d’un rappel sur environ 2 000 clients. Gardez le choix plus simple déjà testé et ne relancez pas la période de test pour une différence de 0,001.

Utilisez un mélange quand différentes méthodes conviennent à différents clients et que chacune peut attribuer un score à chaque produit. À cette étape du cours, c’est la conception par défaut pour une page d’accueil. Choisissez les poids sur la validation et vérifiez les résultats par segment et sur les nouveaux produits. Examinez aussi la couverture avant de célébrer.

Utilisez un changement de méthode quand une règle est claire et peu coûteuse, ou qu’une méthode ne peut pas traiter certains clients. La solution de repli d’ALS pour les clients inconnus est un petit changement de méthode. Chez Larkfield, un changement selon le nombre d’événements ne faisait pas mieux qu’ALS.

Intégrez le contenu au modèle quand vous avez un modèle de classement appris qui peut accepter de nombreuses entrées. Il apprend des poids selon la situation, ce qu’un mélange fixe ne peut pas faire. Le module 7 le construit, et il atteint un recall@10 de 0,234.

Son coût : un mélange exécute trois méthodes; il exige donc trois ajustements (environ 3 secondes ici). Il demande plus de mémoire : un pic de 796 Mo contre 489 Mo pour ALS réglé. Il a plus de paramètres à régler, et chaque exécution de réglage doit rester sur la validation. Il est aussi plus difficile à expliquer. « Vous avez acheté des pots, il ressemble à votre pot de fleurs et il se vend bien » donne trois raisons en une.

Erreur courante

Un mélange sans sa solution de repli

Symptôme : vous fixez le poids des tendances à 0 pour obtenir un mélange « purement personnel ». Le rappel tombe bien en dessous d’ALS seul :

Fenêtre de terminal
recs evaluate hybrid-blend --set w_trending=0 --by segment
Method hybrid-blend (ALS + 0.5 content + 0.5 trending, each scaled 0..1 per customer), test period, settings {'w_trending': 0}
Customers scored: 2,118; trained on events before 2026-06-22
recall@10 0.101 (95% interval 0.090 to 0.113), NDCG@10 0.066, MAP@10 0.050, precision@10 0.016, hit rate 13.2%
coverage 40.6% of the products on sale, novelty 7.26 bits, diversity 0.62, new products in the lists 4.9%
time: fit 3.3 s, suggestions 0.2 s
segment customers recall@10 NDCG@10 95% interval (recall)
new 952 0.043 0.030 0.030 to 0.056
occasional 556 0.118 0.082 0.095 to 0.144
loyal 610 0.178 0.109 0.151 to 0.206
new products: 647 orders of new products in the period; recall@10 on them 0.036

Cause : pour les 633 clients sans événements, ALS et le contenu donnent 0 à chaque produit. Sans tendances, tous les produits sont à égalité à 0, et la liste contient un ensemble arbitraire de produits. ALS seul a une solution de repli pour ces clients; ce mélange n’en a pas.

Solution : gardez dans chaque mélange une partie qui attribue des scores pour tous les clients, comme les tendances. Vous pouvez aussi remplir une ligne vide avec la liste de repli. Vérifiez ensuite les nouveaux clients par segment après chaque changement.

Erreur courante

Des poids choisis sur la période de test

Symptôme : vous essayez des poids avec recs evaluate hybrid-blend --set … sur la période de test jusqu’à trouver le meilleur résultat. Vous présentez ensuite ce résultat.

Cause : la période de test a servi à choisir les poids. Elle ne mesure donc plus la performance du mélange sur de nouvelles données. Son résultat est trop optimiste.

Solution : utilisez recs tune, qui lit seulement la période de validation. Exécutez ensuite la période de test une seule fois avec les poids choisis, comme aux étapes 4 et 5.

Vérifiez votre compréhension

Pourquoi un mélange doit-il mettre les scores de ses méthodes à la même échelle avant de les additionner? Utilisez les scores de contenu et de tendances de Larkfield dans votre réponse.

Afficher la réponse

Les méthodes donnent des scores sur des échelles différentes. Les scores de contenu de Larkfield sont des cosinus rapprochés, d’environ 0,8 à 0,95. Les scores de tendances sont des nombres d’acheteurs, de 0 à plus de 100. Si on les additionne tels quels, ces nombres déterminent tout le classement, et le contenu ne joue aucun rôle. On ramène chaque méthode entre 0 et 1 pour chaque client, après un logarithme pour les nombres d’acheteurs. Les deux méthodes ont alors la même échelle. Les poids déterminent ensuite l’importance de chaque méthode.

Vérifiez votre compréhension

Le mélange initial a un rappel à 10 (*recall@10*) de 0,167, contre 0,156 pour les tendances. Mais recs compare indique que la différence n'est pas claire. Le mélange réglé atteint 0,193, avec une différence claire. Qu'est-ce qui a changé, et comment savez-vous que le résultat réglé est équitable?

Afficher la réponse

Les poids ont changé : celui des tendances est passé de 0,5 à 2, et celui du contenu, de 0,5 à 1. Cela aide les clients nouveaux et occasionnels, pour lesquels les tendances sont efficaces. Le mélange gagne donc maintenant dans chaque segment : +0,037 (+0,025 à +0,048) dans l’ensemble. La comparaison est équitable parce que recs tune a choisi les poids uniquement sur la période de validation. Nous avons ensuite évalué la période de test une seule fois, avec les poids choisis. Le coût est la couverture : 14,4 % au lieu de 32,4 %.

Vérifiez votre compréhension

Tomás dit : « Le mélange réglé bat les tendances dans chaque segment, donc il règle aussi le problème des nouvelles gammes. » A-t-il raison?

Afficher la réponse

Non. Dans un mélange de scores fondés sur l’historique, un produit sans historique n’a ni score ALS ni score de tendances. Pendant la période de lancement, le mélange par défaut n’a montré aucun des 240 produits lancés. Son bon rappel vient des produits connus. Pour montrer une nouvelle gamme, Larkfield a encore besoin du contenu dans une case réservée, en plus du mélange. Une case réservée a montré 186 produits lancés. Chaque solution répond à une cellule différente de la grille de démarrage à froid.

Récapitulatif

  • Un hybride combine des méthodes efficaces pour différents clients. Un mélange additionne des scores pondérés. Un changement de méthode choisit une méthode par client. Le contenu dans le modèle fournit du contenu à un modèle appris (module 7).
  • Ramenez les scores de chaque méthode entre 0 et 1 pour chaque client avant de les additionner. Sinon, la méthode avec les plus grands nombres décide seule.
  • Le mélange initial (ALS + 0,5 contenu + 0,5 tendances) a un recall@10 de 0,167, supérieur à celui des tendances. Mais il n’est pas clairement meilleur : la différence appariée est de +0,011 (−0,004 à +0,027). Il est clairement meilleur seulement pour les clients fidèles.
  • Les poids choisis sur les données de validation (1, 1, 2) donnent 0,193 sur la période de test. Le résultat dépasse clairement les tendances dans chaque segment. Le coût est la couverture : 14,4 %.
  • Un mélange a besoin d’une composante qui attribue des scores aux clients sans historique. Il ne montre pas les nouveaux produits : conservez la case réservée pour cela.
  • Votre projet correspond maintenant à la fin du module 6.

Jusqu’ici, chaque méthode attribue un score aux 2 994 produits pour chaque client, et un mélange exécute trois méthodes. Ensuite, vous divisez le travail en deux : des sources peu coûteuses trouvent quelques centaines de candidats. Un modèle appris les classe.

Leçon suivante : Pourquoi deux étapes