推荐系统——排序
1. 概念
排序是推荐系统的第二阶段，从召回阶段获得少量的商品交给排序阶段，到排序阶段时，已经有了召回阶段生成的候选对象，通常是多路召回结果组合最终形成的候选库。排序阶段可以融入较多特征，从召回的商品中做进一步精细化的选择。
排序结算强调的是快和准，快指的是高效的反馈结果，准指的是推荐结果准确性高。
2. 排序阶段的建模目标
根据业务目标不断变化。
- 早期，由于业务目标简单，通常聚焦于某一个指标来进行优化
- 中期，会发现单一指标对整体的提升已经非常有限，并出现很多问题，此时会引入多目标排序。
3. 特征工程
基本思路（从前往后依次推进）：
- 人工预判有效特征
- 离线评估重要性和覆盖率
- 训练模型离线评估
- 在线实验
常见基础特征：
- 用户侧特征：性别、年龄、地域、购买力…
- 商品侧特征：描述信息、价格、标签…
- 上下文和场景信息：位置、页面、是否处于周末或节假日…
- 交叉特征：用户侧特征和商品侧特征的交叉…
- 用户行为特征：点击、收藏、购买、观看…
4. 算法框架
分类：
- pointwise，按照单个样本进行学习，样本格式为：$$(x_i, y_k)$$
- pairwise，按照有序对的方式进行学习，样本格式为：$$(
- listwise，按照有序序列的方式进行学习，样本格式为：$$(
通常使用pointwise来做排序，因为更加直观、易于理解而且更加简单，如果预测目标是实数值就是一个回归问题，如果是概率值则是一个分类问题。pairwise, listwise则会考虑得更加精细。
常见模型
- LR。通过学习用户点击行为
- GBDT+LR。使用GBDT做自动特征工程
- Wide&Deep。Wide层负责记忆，通常就使用LR，Deep层负责泛化，使用DNN
- DeepFM。采取Wide&Deep框架，但将LR换成FM，从而构造二阶特征交叉组合
模型评估
主要是两个步骤：
- 离线评估。在事先准备好的验证集上进行数据验证，如果表现优于先前模型，则进行第二步。效果包含多个指标：准确率、覆盖率、多样性等
- 线上实验。直接对线上用户进行AB分桶测试，先小流量实验一段时间，一般在10天半月，对比实验组和对照组数据。如果在实验组上效果更好，则推到更多的用户；如果效果持续稳定，则推到全部用户。
5. 排序学习
若有收获，就点个赞吧
0 人点赞
