ECHO facilite la recherche dans les longs historiques d’activité

Comment un système de recommandation peut-il exploiter l’historique très long d’une personne sans examiner chaque action passée pour chaque élément candidat, ni perdre des actions précises dans un résumé compressé ?

ECHO répond à cette difficulté en conservant des traces d’origine qui peuvent être recherchées pour chaque candidat, et en s’appuyant sur un modèle de référence pour décider lesquelles garder.

ECHO sélectionne, avec l’aide d’un modèle de référence, des traces d’origine dans l’historique d’un utilisateur, puis recherche celles qui sont pertinentes pour chaque cible avant le classement.

ECHO sélectionne 10 000 traces d’origine dans l’historique d’un utilisateur, à l’aide d’un modèle de référence entraîné à repérer les comportements pertinents pour chaque cible. Pour chaque élément candidat, un récupérateur recherche parmi ces traces.

Les actions passées précises restent ainsi disponibles, tout en limitant la partie de l’historique examinée au moment du classement.

Pour les huit tâches hors ligne réparties sur deux jeux de données, ECHO a obtenu le GAUC le plus élevé parmi six méthodes comparées. Ce résultat étaye son utilisation pour classer des éléments à partir d’historiques longs dans ces évaluations.

Une analyse distincte estime que, pour un historique de 100 000 événements, le calcul de la branche séquentielle est inférieur à celui de STCA.

Les éléments de preuve proviennent des tâches hors ligne rapportées, d’estimations analytiques du calcul et d’un test de sept jours dans un seul scénario de recommandation en production. ECHO peut encore écarter des événements nécessaires pour des cibles extrêmement rares.

Son sélecteur s’adapte pendant l’entraînement et lors des actualisations, mais pas à chaque cible en ligne.