이 텍스트는 전문 지식이 필요한 사람들을 자격을 갖춘 전문가와 연결하도록 설계된 복잡한 추천 시스템을 설명합니다. 일반적인 추천 시스템과 달리, 이 시스템은 전문가의 제한된 수용 능력과 잘못된 추천으로 인한 높은 비용과 같은 고유한 문제에 직면합니다. 여러 독립적인 전문가 검색기에서 얻은 결과를 결합하기 위해 Reciprocal Rank Fusion을 사용하는 하이브리드 검색 방법을 사용합니다. 채점 메커니즘은 명시적인 방향 적합성, 의미론적 유사성, 기술 중복, 수용 능력, 전문가 품질, 전문 분야 일치 및 공정성을 포함한 다양한 요인의 가중치 조합입니다.전문가 품질은 경험을 고려하기 위해 포화 지수 함수를 사용하여 베테랑이 완전히 지배하는 것을 방지합니다. 공정성은 노출에 대한 로그 감소를 통합하여 덜 자주 추천되는 전문가에게도 기회가 주어지도록 합니다. 중요한 것은, 이 시스템은 가장 인기 있는 전문가가 압도당하는 것을 방지하기 위해 개별 상위 N개 추천이 아닌 전역 할당 문제로 작동합니다. 탐욕적 할당 알고리즘이 사용되며, 전문가 수용 능력 제한을 존중하면서 더 높은 점수의 페어링을 우선시합니다.데이터 계층은 어떤 기술이 가치 있는지 결정하기 위해 방어 가능한 통계에 중점을 둡니다. 여기에는 최신성을 위한 지수 감소를 사용한 소스 가중치, 왜곡된 데이터 분포를 처리하기 위한 가중 중앙값, 기술 가치를 연공서열과 혼동하는 것을 피하기 위한 역할, 연공서열 및 경험별 계층화가 포함됩니다. 기술 가치에 대한 점 추정치 대신 부트스트랩 신뢰 구간을 사용하여 더 강력한 측정을 제공합니다.중요한 모의 실행에서 전문가 가용성을 심각하게 제한하는 지나치게 엄격한 제외 규칙과 추천에 명확한 근거가 부족한 경향을 포함한 상당한 결함이 발견되었습니다. 추세 배지도 의미 있는 기준선이 부족하여 과장된 값을 보였습니다. 이러한 발견은 복잡한 추천 시스템에서 신중한 구현과 지속적인 평가의 중요성을 강조합니다.