Der Prozess \u00e4hnelt dem Machine-Learning-Modell<\/a>, das wir zuvor untersucht haben. Zun\u00e4chst nimmt die Maschine Merkmale aus Benutzer\u2013 und Videomodellen, die von der Programmierung vorgegeben werden. Sie lernt aus den Trainingsdaten, welche Gewichtung sie jedem Merkmal geben muss, um die Verweildauer korrekt vorherzusagen. Erst wenn es erprobt und f\u00fcr gut befunden ist, kann mit der Vorhersage und Empfehlung begonnen werden.<\/p>\n W\u00e4hrend des Trainings werden dem System Millionen von positiven und negativen Beispielen vorgelegt. Ein positives Beispiel ist, wenn eine nutzende Person auf ein Video geklickt und es sich eine bestimmte Zeit lang angesehen hat. Ein negatives Beispiel ist, wenn die Person nicht auf das Video geklickt oder es sich nicht lange angesehen hat2<\/sup>.<\/p>\n Das Netzwerk nimmt die Merkmale einer nutzenden Person und die Videomerkmale auf, die im Abschnitt Modelle in Wie Youtube \u00fcber Sie lernt \u2014 Teil 1<\/a> besprochen wurden. Es passt die Wichtigkeit der einzelnen Eingabemerkmale an, indem es pr\u00fcft, ob es die Sehdauer f\u00fcr ein bestimmtes Video und eine bestimmte nutzende Person korrekt vorhersagt.<\/p>\n Es gibt ungef\u00e4hr eine Milliarde Parameter (Gewichtung jedes Merkmals), die anhand von Hunderten von Milliarden Beispielen erlernt werden m\u00fcssen2<\/sup>. Das Netzwerk kann auch lernen, bestimmte Merkmale zu ignorieren, d.h. ihnen keine Bedeutung beizumessen. So kann die Einbettung oder das Modell, das der Algorithmus erstellt, ganz anders aussehen, als es sich die Entwickelnden vorgestellt haben.<\/p>\n\n Nachdem das Netzwerk trainiert wurde, wird es an bereits verf\u00fcgbaren Daten getestet und angepasst. Abgesehen von der Vorhersagegenauigkeit muss die Ausgabe des Systems von den Programmierenden auf der Grundlage mehrerer Werturteile angepasst werden. Die Anzeige von Videos, die den bereits angesehenen Videos zu \u00e4hnlich sind, ist nicht sehr vielsprechend. Nach diesem Test wird eine Echtzeitbewertung der Empfehlungen durchgef\u00fchrt. Gemessen wird die Gesamtzeit, die eine nutzende Person sich die empfohlenen Videos ansieht2<\/sup>. Je l\u00e4nger sie sich diese Videos ansieht, desto erfolgreicher ist das Modell. Beachten Sie, dass die Anzahl der angeklickten Videos f\u00fcr die Bewertung nicht ausreicht. Youtube bewertet seine Empfehlungsgeber auf der Grundlage der Anzahl der empfohlenen Videos, die zu einem erheblichen Teil angeschaut wurden, der Sitzungsdauer, der Zeit bis zum ersten l\u00e4ngeren Anschauen und des Anteils der eingeloggten Nutzenden mit Empfehlungen1<\/sup>.<\/p>\n\n Schlie\u00dflich geht es darum, wie die Empfehlungen pr\u00e4sentiert werden: Wie viele Videos sollen gezeigt werden? Sollen die besten Empfehlungen alle auf einmal pr\u00e4sentiert werden, oder sollen einige f\u00fcr sp\u00e4ter gespeichert werden? 3<\/sup> Wie sollen Miniaturbilder und Videotitel angezeigt werden? Welche anderen Informationen sollen angezeigt werden? Welche Einstellungen kann die nutzende Person kontrollieren?1<\/sup> Die Antworten auf diese Fragen bestimmen, wie Youtube seine zwei Milliarden Nutzerinnen und Nutzer rund um die Uhr an sich bindet.<\/p>\n\n<\/div>\n\n 1\u00a0<\/sup>Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System<\/em>, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.<\/p>\n 2<\/sup> Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations<\/em>, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.<\/p>\n 3 <\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>\n 4 Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information<\/a><\/em>, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244\u2013251, 2020.<\/p>","rendered":" Bei Google werden jetzt tiefe neuronale Netzwerke f\u00fcr das maschinelle Lernen eingesetzt2<\/sup>.\u00a0 Auf der Grundlage des Videomodells nimmt das neuronale Netzwerk von Youtube Videos, die denen \u00e4hnlich sind, die der Nutzende bereits angesehen hat. Dann versucht es, die Verweildauer jedes neuen Videos f\u00fcr eine bestimmte nutzende Person vorherzusagen und ordnet sie auf der Grundlage dieser Vorhersage ein. Die Idee ist dann, die 10 bis 20 Videos (je nach Ger\u00e4t) mit den besten Platzierungen anzuzeigen.<\/p>\n Der Prozess \u00e4hnelt dem Machine-Learning-Modell<\/a>, das wir zuvor untersucht haben. Zun\u00e4chst nimmt die Maschine Merkmale aus Benutzer\u2013 und Videomodellen, die von der Programmierung vorgegeben werden. Sie lernt aus den Trainingsdaten, welche Gewichtung sie jedem Merkmal geben muss, um die Verweildauer korrekt vorherzusagen. Erst wenn es erprobt und f\u00fcr gut befunden ist, kann mit der Vorhersage und Empfehlung begonnen werden.<\/p>\n W\u00e4hrend des Trainings werden dem System Millionen von positiven und negativen Beispielen vorgelegt. Ein positives Beispiel ist, wenn eine nutzende Person auf ein Video geklickt und es sich eine bestimmte Zeit lang angesehen hat. Ein negatives Beispiel ist, wenn die Person nicht auf das Video geklickt oder es sich nicht lange angesehen hat2<\/sup>.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch2-page-3-Machine-learns-e1697825030868.png\")
\nSchulung<\/h3>\n
Testen<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch2-page3-traintestuse-e1697823763965.png\")
Was bedeutet es wirklich, dass eine Empfehlung gut ist? Wie viele \u00e4hnliche Videos sollen gezeigt werden und wie viel Abwechslung soll es geben - sowohl in Bezug auf die anderen Videos als auch in Bezug auf den Verlauf der nutzenden Person? Wie viele der Interessen des Nutzenden sollen abgedeckt werden? Welche Art von Empfehlungen f\u00fchrt zu sofortiger Zufriedenheit und welche zu langfristiger Nutzung?1, 3<\/sup> All dies sind wichtige Fragen, die es zu ber\u00fccksichtigen gilt.<\/p>\nInterface<\/h3>\n
\nDer Prozess<\/h3>\n
<\/p>\nSchulung<\/h3>\n