محققان در یک دستاورد تازه، چارچوب جدیدی را معرفی کردهاند که چالش همیشگی «بهینهسازی نرخ بازگشت کاربر» (User Retention) در سیستمهای توصیه (Recommender Systems) را حل میکند.
در این روش مدلآگنوستیک (Model-agnostic)، مدل یاد میگیرد چگونه رفتارهایی را که در مراحل اولیه توسط کاربر بروز داده میشود، به پاداشهای بلندمدت تبدیل کند. این یعنی سیستمهای توصیه نه تنها برای کلیکهای سریع، بلکه برای رضایت و تعامل طولانیمدت کاربر بهینهسازی میشوند.
این فریمورک با حذف نیاز به مهندسی پاداشهای پیچیده و پرهزینه، راه را برای تولید محتوای شخصیسازیشدهتر و دقیقتر در مقیاس بزرگ هموار کرده است. تستهای آنلاین نشاندهنده افزایش چشمگیر نرخ تعامل کاربران پس از پیادهسازی این رویکرد بوده است. 📈💡
منبع: arXiv Machine Learning