machine-learning - 如何使用机器学习对个性化阈值问题进行建模

Question

假设我有一个候选选择系统来生成产品/用户对以进行推荐。目前，为了保持推荐产品的质量条，我们训练了一个模型来优化链接的点击，表示为 pClick(product, user) 模型，模型的输出是（0,1 ) 表示用户点击推荐产品的可能性。

对于我们最初的发布产品，我们为所有用户设置了一个手动选择的阈值，比如T。对于所有用户，只有当阈值通过 T 时，我们才会向用户发送推荐。

现在我们意识到这并不是最优的：一些用户不太关心推荐质量，而另一些用户则对推荐质量有很高的要求。并且一个个性化的阈值，而不是全局T可以帮助我们提高整体相关性。

目标是输出每个用户的阈值，假设我们有每个用户的活动和用户/产品属性的训练数据。

问题是：我们应该如何用机器学习来模拟这个问题？任何参考或论文都受到高度赞赏。

标签： machine-learningsearchrecommendation-engineinformation-retrieval