本文主要是介绍人工智能|推荐系统——工业界的推荐系统之概要,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
以小红书为例的推荐系统的转化流程,用户看到内容就是曝光,可以点击进去,然后进行一些“交互”行为,比如评论、点赞、收藏、转发。
通常会考虑用户的一些消费指标
而从推荐系统的角度则会考虑一些北极星指标,也就是优化目标
通常上线一个推荐系统需要进行离线实验,然后做AB测试,效果满意的话再全流量上线
通常一个比较完善的推荐系统包含召回、粗排、精排、重排几个环节
召回一般是多个通道的
粗排、精排会考虑用户特征、物品特征、统计特征来建模,同时考虑多个消费指标,然后得到一个最终的排序分数
最后再通过重排来提高推荐的多样性以及插入一些广告这种
离线验证后需要进行AB测试,才知道训练的模型到底好不好
最简单的做法就是把人群随机分桶,就可以比较实验组和对照组的效果
但是随机分桶的问题在于无法做多个实验,因此通常考虑分层实验,同层互斥就是做的分桶,不同层正交可以避免不同实验之间的干扰,就可以做无数组实验
Holdout机制用于让每个实验可以独立进行汇报
实验推全是逐步将新推荐策略应用到所有用户的过程,而反转实验是通过将部分用户回退到旧策略来评估新策略的有效性。
这篇关于人工智能|推荐系统——工业界的推荐系统之概要的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!