多样性,惊喜度,测试方法……)"/>
推荐系统(多样性,惊喜度,测试方法……)
多样性:推荐给客户的商品列表的异质性(长远利益)
diversity=1-s
惊喜度:通过惊奇度和相关性来表达
sere=surprise×rei(user)
惊喜度:surprise=(pi(user)-pi(alluser),0)
pi=(n-rank i)/(n-1)
新颖度:Nove=Σ㏒2 pi /n
越高,商品越长尾
实时性:对用户进行快速的计算和推荐(过滤模块)
注入攻击:受控账号
E:开发利用:现在可用的最佳方案
E:探测:选用不确定的方案取长期利益
EE问题:兴趣拓展(相似话题,搭配推荐)、人群算法、平衡个性化推荐和热门推荐、随机丢弃用户行为历史、随机扰动模型参数
缺点:伤害用户体验、评估周期长、KPI关键指标评级、长尾和爆品的关系
测试方法:离线测试(用户历史真实数据80%-90%训练集、10%验证集)
问题:无法知晓用户的感受,对过去数据的拟合,对未来数据泛化的不确定
用户测试、线上测试:A/B测试
更多推荐
推荐系统(多样性,惊喜度,测试方法……)
发布评论