ECHO permite buscar en historiales largos para recomendar contenido

¿Cómo puede un sistema de recomendación aprovechar el historial muy largo de una persona sin buscar entre cada acción pasada para cada elemento candidato ni perder acciones concretas al comprimirlo en un resumen?

ECHO aborda el problema conservando registros originales que pueden buscarse para cada candidato y usando la guía de un modelo docente para decidir qué conservar.

ECHO selecciona registros originales del historial de una persona con la guía de un modelo docente y luego recupera de ese conjunto reducido los registros pertinentes para cada objetivo de ordenamiento.

ECHO selecciona 10,000 registros originales del historial de una persona con ayuda de un modelo docente entrenado para identificar comportamientos pertinentes para cada objetivo. Para cada elemento candidato, un recuperador busca entre esos registros.

Así, las acciones pasadas concretas siguen disponibles mientras se limita el historial que se consulta durante el ordenamiento.

En ocho tareas offline con dos conjuntos de datos, ECHO obtuvo la GAUC más alta, una medida de la calidad del ordenamiento de elementos, entre seis métodos comparados.

El resultado respalda su uso para ordenar elementos a partir de historiales largos en estas evaluaciones; un análisis aparte estima menos cálculo de la rama secuencial que STCA con 100,000 eventos.

La evidencia procede de las tareas offline descritas, de estimaciones analíticas del cálculo y de una prueba de siete días en un escenario de recomendación en producción. ECHO aún puede descartar eventos necesarios para objetivos extremadamente poco frecuentes; su selector se adapta mediante el entrenamiento y la actualización de las selecciones, no a cada objetivo online.