La forma del problema Un directorio es una superficie: el miembro lo abre y adivina.
Un recomendador es una superficie de empujar: el sistema propone y tiene que justificarse.
La justificación es la parte difícil, y es donde vive la estadística.
Tres restricciones hicieron esto distinto de un recomendador de contenido: El item es una persona con capacidad finita.
Un hilo se le puede recomendar a diez mil personas.
Un experto no.
Una mala recomendación es cara de los dos lados.
Quien pide desperdicia una petición, el experto desperdicia una hora, y los dos aprenden a ignorar la superficie.
La afirmación tiene que ser checable. "Quizá te guste este hilo" no necesita evidencia. "Esta persona está un nivel adelante de ti en diseño de sistemas" sí.
Recuperación: híbrida, fusionada con RRF Tres recuperadores independientes sobre el conjunto de expertos elegibles, fusionados con Reciprocal Rank Fusion: RRF es la primitiva correcta aquí por una razón que vale la pena decir: los recuperadores emiten cantidades incomparables.
Uno regresa un coseno en , uno regresa un conteo entero de hilos resueltos, uno regresa un delta de nivel de escalera.
Normalizarlos a una escala común requiere supuestos sobre sus distribuciones que nadie tiene a este volumen de datos.
RRF descarta las magnitudes y se queda solo con el orden, que es exactamente la información que sobrevive a una muestra chica. es la constante estándar de la formulación original de Cormack et al.
Aplana la cabeza: la diferencia entre el rank 1 y el rank 2 es , así que un recuperador no puede dominar por estar confiado, solo por estar consistentemente temprano a lo largo de las listas.
Scoring: un compuesto ponderado, con los pesos como datos Dos componentes valen la pena desempacar. satura.
Un experto sin historial puntúa 0.5, no 0: La saturación exponencial sobre codifica que la diferencia entre 0 y 5 sesiones completadas es grande y la diferencia entre 40 y 45 es ruido.
Un término lineal habría hecho inalcanzables a los veteranos.
El prior de 0.5 para los no probados es la decisión de cold start que deja crecer el pool de expertos más allá de quien haya ido primero; sin él, el sistema es un loop de rico se hace más rico por construcción. es exposición amortiguada por log. da exactamente 1.0 en y decae lento.
Una penalización lineal habría hecho irrecomendable a un buen experto después de un puñado de ciclos.
La parte que importa: esto es un problema de asignación El instinto es computar un top-N por cada quien pide.
Ese instinto está mal, y el modo de falla no es sutil.
Si cada quien pide escoge de forma independiente a su mejor experto, las mismas tres personas más fuertes juntan todas las peticiones.
Son las que tienen los mejores ratings y el historial más profundo, así que ganan cada ranking, y dejan de contestar en un mes.
El recomendador entonces destruye el recurso que existe para asignar.
Así que los pares se puntúan, y luego se asignan de forma global bajo una restricción de capacidad por experto: Esta es la aproximación greedy a un matching bipartito con restricción de grado.
A esta escala (cientos de pares) la solución óptima vía y la greedy difieren por ruido, y la versión greedy tiene una propiedad que la óptima no: es inspeccionable en un dry run, línea por línea, en orden de score.
Cuando un operador pregunta "¿por qué esta persona obtuvo ese experto?", la respuesta es una sola pasada hacia abajo por una lista ordenada.
A quienes piden que la asignación no puede colocar no se les tira.
Por construcción son aquellos cuyos mejores expertos están llenos, lo que los hace el insumo exacto para el clustering uno-a-muchos: agrúpalos por celda de escalera y propón una sola sesión.
La capa de datos, y la estadística que la hace defendible La segunda capa responde "qué debería aprender después, y cuánto vale".
Compara la mediana de datos ponderada por fuente de los puntos de datos que reportan una habilidad contra los que no.
Esa oración contiene tres maneras de engañar a al