ترجمه فارسی مقاله رتبه بندی در میان انواع محتوا: زیبایی قوی ترکیب چند جمله ای

چکیده

An increasing number of media streaming services have expanded their offerings to include entities of multiple content types. For instance, audio streaming services that started by offering music only, now also offer podcasts, merchandise items, and videos. Ranking items across different content types into a single slate poses a significant challenge for traditional learning-to-rank (LTR) algorithms due to differing user engagement patterns for different content types. We explore a simple method for cross-content-type ranking, called multinomial blending (MB), which can be used in conjunction with most existing LTR algorithms. We compare MB to existing baselines not only in terms of ranking quality but also from other industry-relevant perspectives such as interpretability, ease-of-use, and stability in dynamic environments with changing user behavior and ranking model retraining. Finally, we report the results of an A/B test from an Amazon Music ranking use-case.

چکیده به فارسی (ترجمه ماشینی)

تعداد فزاینده ای از خدمات پخش رسانه ها ، پیشنهادات خود را گسترش داده است تا شامل اشخاصی از انواع مختلف محتوای شود.به عنوان مثال ، سرویس های پخش صوتی که فقط با ارائه موسیقی شروع شده اند ، اکنون پادکست ها ، کالاهای تجاری و فیلم ها را نیز ارائه می دهند.رتبه بندی موارد در انواع محتوای مختلف به یک صفحه واحد ، به دلیل متفاوت بودن الگوهای تعامل کاربر برای انواع مختلف محتوای ، چالش مهمی را برای الگوریتم های سنتی یادگیری به رتبه (LTR) ایجاد می کند.ما یک روش ساده را برای رتبه بندی از نوع متقاطع ، به نام ترکیب چندمادی (MB) کشف می کنیم ، که می تواند در رابطه با اکثر الگوریتم های LTR موجود استفاده شود.ما MB را با خطوط اصلی موجود نه تنها از نظر کیفیت رتبه بندی بلکه از سایر دیدگاه های مربوط به صنعت مانند تفسیر ، سهولت استفاده و ثبات در محیط های پویا با تغییر رفتار کاربر و رتبه بندی مجدد مدل مقایسه می کنیم.سرانجام ، ما نتایج آزمایش A/B را از یک مورد استفاده از رتبه بندی موسیقی آمازون گزارش می کنیم.