Lernen zu ranken: Mit maschinellem Lernen Computern das Ranking beibringen
Erfahren Sie, wie Sie die Suchrelevanz mit einer leistungsstarken maschinellen Lerntechnik namens Learning to Rank verbessern können.
Wenn Sie schon einmal nach etwas gesucht haben und dabei mit den Augen gerollt haben: „Nein, Computer, das habe ich nicht gemeint“, dann sind Sie nicht allein. Aber mit der Technik des maschinellen Lernens, die als „Learning to Rank“ bekannt ist, können Sie der Maschine beibringen, zu erkennen, wie wir Menschen Ergebnisse einordnen würden.
In dieser Folge erklärt Tia, wie unser individuelles Suchverhalten die Suchergebnisse für alle verbessern kann.
Sie können die gesamte zweite Staffel im Schnelldurchlauf ansehen oder gleich zur ersten Staffel zurückkehren .
Abonnieren Sie den Kanal Lucid Thoughts und stellen Sie sicher, dass Sie Ihre Fragen und Kommentare zu jedem Video hinterlassen.
Abschrift:
(schaut auf ihr Telefon und rollt mit den Augen)
Ok… als ich sagte, das beste Sichuan-Nudelrestaurant, meinte ich nicht das in China…
(scrollt durch die Ergebnisse auf ihrem Telefon)
So… das wird funktionieren.
Wenn Sie auf dieses Ergebnis klicken, helfen Sie wenigstens anderen. Mit meiner Essensauswahl erweise ich der Welt wirklich einen Dienst. Ich werde Ihnen alles darüber erzählen. (schaut auf das Telefon) Sieht so gut aus…
Manchmal, wenn wir beschreibende Wörter in unseren Suchleisten verwenden, haben wir den Moment, in dem wir mit den Augen rollen und sagen: „Nein, Computer, das habe ich nicht gemeint“.
Das liegt daran, dass wir wissen, welcher Teil unserer Suche wichtiger ist, aber der Computer weiß das nicht. Ich wollte zum Beispiel wissen, wo es die besten Sichuan-Nudeln gibt, aber in meiner Nähe. In diesem Fall war das „wo“ der wichtigste Teil meiner Suche.
Meine Suchergebnisse lieferten mir also Orte, die zu weit entfernt waren, und einige passten zu meinen Schlüsselwörtern, aber es war immer noch nicht das, wonach ich gesucht hatte.
Mit dem guten alten maschinellen Lernen lässt sich dieses Problem leicht beheben.
Die Technik nennt sich „Learning to Rank“ und lehrt die Maschine zu erkennen, wie wir als Menschen Ergebnisse und Informationen einordnen würden.
Kehren wir zu unserem Restaurant-Debakel zurück und fügen einen weiteren Faktor hinzu. Jetzt will ich das beste vegetarische Sichuan-Nudelgericht.
Nehmen wir an, wir haben eine Website mit Restaurantempfehlungen. So könnte das Ranking von Websites aussehen, die ausschließlich auf Schlüsselwörtern basieren.
Aber hier ist, wie wir als Menschen sie einstufen würden. Für Restaurants sind die Art und der Ort wichtig, während der Name vielleicht nicht so wichtig ist.
Wir verwenden also diese Trainingsmenge, um dem Computer beizubringen, wie er die Restaurants bewerten soll.
Wenn wir eine Reihe dieser nach Relevanz eingestuften Ergebnisse aus bestimmten Abfragen nehmen, können wir sie als Trainingssätze verwenden, um dem Computer zu zeigen, wie er die Ergebnisse einstufen soll. Dieses Training zeigt dem Computer, welche Felder für den Benutzer wichtiger sind, so dass wir eine Liste in der erwarteten Reihenfolge erhalten.
Das ist einfach, wenn Sie eine kleine Auswahl von Restaurants und einige Merkmale wie die Art des Essens zur Verfügung haben.
Aber was ist mit Online-Shops, die Hunderttausende von Produkten zu durchsuchen haben? Sie könnten für jede Suchanfrage und jeden Produkttyp in ihrem System gerankte Trainingssets erstellen.
Oder sie können diesen ganzen Prozess mit Signalen automatisieren – erinnern Sie sich daran?
Es beginnt damit, dass das System Signale im Nutzerverhalten überwacht, z.B. was sie zuerst angeklickt haben oder welche Produkte sie schließlich gekauft haben. So kann der Computer herausfinden, welche Artikel die Benutzer am nützlichsten fanden.
Sie können sowohl manuelle Systeme als auch signalbasierte Systeme verwenden, wenn Sie das Beste aus beiden Welten suchen.
Sehen Sie? Auf diese Weise werden Ihre Klicks für etwas Gutes verwendet. Sie haben dem Computer eine Lektion erteilt und das Leben für alle besser gemacht.
Sie sind so ein guter Mensch.