AI产业全景图

算法知识

模型融合

模型评估

推荐系统

首先，要有足够的商品和用户，才有建设推荐系统的前提和必要性
推荐系统的工作流程

1. 召回：从所有商品中找出需要推荐给用户的商品列表
   1. 基于标签的召回：对用户和商品打标签，根据用户设置的喜好标签推荐相关的商品。不需要行为数据，适合初期系统
   2. 基于用户的协同过滤：找出与目标用户的行为类似的其他用户（浏览、收藏、加购、下单），将类似用户喜欢的商品推荐给目标用户。需要行为数据，适合成熟系统
   3. 基于商品的协同过滤：找出与目标用户相关商品的类似商品，并将这些商品推荐给目标用户。需要行为数据，适合成熟系统
2. 排序
   1. 加权平均法：将以上三种召回策略给出的每个商品的得分，根据专家给出的权重，做加权平均，然后根据最终的得分给出排序结果
   2. CTR 动态加权平均法：每天离线计算出每种召回策略的CTR，据此更新策略的权重
   3. CTR 预估加权平均法：a + b，根据每种策略的CTR计算出初始的权重，再根据每日数据更新权重
3. 调整：根据运营策略对排序结果做调整，如广告商品、流量坑位、特殊扶持等

推荐系统的评价指标

1. 准确率：用户点击的商品数 / 推荐的商品数
2. 召回率：用户点击的商品中推荐的商品数 / 用户点击的商品数
3. 覆盖率：有多少用户会被推荐商品
4. 多样性：除了最相关的商品，也要兼顾其他商品，提升长期的转化率

关注的业务指标

1. 业务初期看用户活跃度：日活、月活
2. 业务发展期看转化率：CTR、CVR
3. 业务成熟期看用户价值：GMV