Możemy założyć, że dla danego SNa możemy mieć kilka dostępnych rekomendacji:
- do historii użytkownika
- kontekstowa (do aktualnie przeglądanego artykułu)
- past-context (do artykułu, który przeglądał wcześniej)
- best-sellers
Opcje
1. model wyceniający zwraca wycenę dla każdej dostępnej rekomendacji
- bandyci: dołożenie przecięć
- liniowe: kilkukrotne odpytanie modelu (potencjalna optymalizacja: wszystkie ficzery niezwiązane z reko możemy policzyć tylko raz)
- głębokie: model wielogłowy, jedna głowa per typ rekomendacji
- CatBoost: model per typ rekomendacji, nie da się inaczej