推荐分享

推荐分享

流量变现-广告

人

推荐核心：
匹配 相似性 ： 人和人、物品和物品、用户特征和商品特征
排序

算法

• 协同过滤：数据要的少，效果可以 使用普遍
• 广义线性模型： 特征拟合，找用户特征
• 深度学习： 数据中自动找特征
• 强化学习： 人工干预很少，封闭系统。类似人主动学习。

趋势：

• 搜索和推荐融合
• AI和传统算法
• 隐私政策强时，数据少，就用小样本和端(实时记录)、云(历史记录)协统技术

协同过滤

矩阵分解
聚类

问题

• 稀疏，品类太多，用户购买同一个几率小

• 相似度度量:微信和陌陌对相似度权限贡献相同

• 可扩展性：计算量随着user item增加而增加O(m*n)

• 聚类

• 矩阵分解
  user-item 交互信息中 矩阵分解来挖掘

冷启动、数据热点（流行）

广义线性

p(click|show) = w.x

比如逻辑回归，其实不是绝对线性，但是线性思维，所以叫广义线性

高维稀疏特征-

• ID型、离散型特征可用one-hot独热编码
• 特征组合，丰富特征
• 如果人工找的特征效果不好，就可以用机器方法找特征(GBDT)、特征组合学习-因子分解机(FM)、实时机器学习（流计算）

在线学习

FTRL(Google,2013)
特征学到了就直接丢掉了，不需要迭代学习
不会出现数据量一直增大导致学习计算量持续增长情况
实时推荐系统

基于树的特征挖掘
gbdt

深度学习

设计多个神经元，每个神经元都判断某个特征
比如多个神经元分别判断猫 眼睛 头 尾巴 体长等 ，如果达到某个数值的神经元超出了判断阈值，就认定这个物体是猫

问题：

• 高维稀疏特征不适用，因为有全连接，导致连接数太多

广度&深度学习模型

宽特征用LR
窄特征用DL

强化学习

样本少时可以用

建立 推荐引擎到环境（用户）的闭环

人特别容易变化，所以强化学习是未来趋势

目前效果还不太好，收敛速度慢，生产环境使用很少

推荐指标

• 用户满意度 点击率 转化率
• 多样性 推荐之间差异化 不相似
• 准确性
• 新颖性
• 鲁棒性 反作弊 稳健性
• 覆盖率 长尾物品和用户
• 惊奇性
• 实时性
• 用户信任度-推荐理由？

除了固定的一些数据指标，还可以加上一些用户问卷，比如给用户交互点击是否喜欢推荐的