machine-learning - 如何构建数百万个个性化模型

Question

假设我正在构建一个像 Uber 这样的应用，我想根据用户过去的历史记录、当前的经纬度以及当前的日期和时间来预测用户最可能的目的地。

我们有数百万用户，但每个用户的需求可能都太独特而无法概括。也就是说，每个人的通勤方式都非常不同，您从其他用户那里学到的知识可能不适用于其他用户。

总之，我必须构建数百万个模型，如何将这些模型合并在一起以获得更好的部署过程？如果没有，部署数百万模型的最佳实践是什么？

Answer 1

We have millions of users, but each user needs will be probably too unique for generalization.

您不需要构建数百万个模型。创建一个模型并针对每个/每个分割用户群进行个性化。例如，Google 根据用户行为个性化其搜索引擎、Youtube 和 Play 商店等应用程序。个性化不仅可以针对单个用户，还可以针对一组用户。例如，健身应用程序中的男性和女性需要获得不同的建议。在本例中，它假设您有两种用户。

行为是什么意思？您的搜索历史记录、Gmail 帐户中的信息、您的 session 以及许多其他通常被视为用户行为的内容。

向用户建议个性化信息是一个众所周知的研究问题，主要被认为是 Recommender System .

I have to build millions of models, how can I merge these models together for a better deployment process

合并模型是另一个研究领域，称为 Ensembling learing 。我们通常会集成 2 到 10 个模型，但不会是数百万个。