在机器学习模型中整合用户反馈

我开发了一个用于分类（0/1）的自然语言处理任务的机器学习模型，并已在生产环境中部署。模型的预测结果会展示给用户，用户可以选择提供反馈（预测是否正确）。

如何持续将这些反馈整合到我的模型中？从用户体验的角度来看，不希望用户为同一输入纠正/教导系统超过两到三次，系统应该快速学习，即反馈应被“快速”整合。（谷歌的优先收件箱功能就做到了这一点，非常流畅）

如何构建这种“反馈循环”，以便我的系统可以改进？我在网上搜索了很多，但找不到相关资料。任何建议都会非常有帮助。

请不要说通过包含新的数据点从头开始重新训练模型。那肯定不是谷歌和脸书构建其智能系统的方式

为了进一步解释我的问题——想想谷歌的垃圾邮件检测器、他们的优先收件箱或最近的“智能回复”功能。众所周知，他们有能力快速学习/整合用户反馈。

在快速整合用户反馈的同时（即用户最多需要教系统2-3次正确输出，每个数据点系统就会开始为该数据点给出正确输出），还要确保保持旧的学习成果，并且在整合新数据点的学习时不会开始对旧数据点（之前给出正确输出的）给出错误输出。

我还没有找到任何博客/文献/讨论，关于如何构建这样的系统——一个详细解释机器学习系统中“反馈循环”的智能系统

希望我的问题现在更清晰了。

更新：我找到了一些相关问题：

更新：我仍然没有一个具体的答案，但这种方法确实存在。阅读以下博客中的“从反馈中学习”部分机器学习 != 学习机器。在这篇文章中，Jean谈到了“为机器添加反馈摄取循环”。同样在这里，这里，这里4。

回答：

构建一个简单、轻量级的模型，可以根据反馈进行更新。在线机器学习为此提供了许多候选方案

大多数优秀的在线分类器都是线性的。在这种情况下，我们可以有几个这样的分类器，并通过一个小的浅层神经网络结合它们来实现非线性

学技术