CTR@模型整体架构

1. 推荐系统

　　1.1 总体框架

 

　主要包括：样本选择、数据清洗、特征提取与选择、模型训练、在线预估和排序。

　　1.2 目的

　　　　帮助用户找到想要的商品，挖掘数据分布。

　　　　降低信息过载。

　　　　提高站点的点击率/转化率。

　　　　为用户提供定制化服务。

 2. 推荐算法

　　基于流行度/协同过滤/基于内容/基于模型/多路混合

　　2.1 基于流行度算法

　　　　按照流行度/热度排序推荐给用户。

　　2.2 协同过滤算法

　　　　基于用户的协同过滤和基于物体的协同过滤。

　　　　基于用户的协同过滤：

　　　　　　1. 分析各个用户对item的评价；

　　　　　　2. 依据用户对item的评价计算得出所有用户之间的相似度；

　　　　　　3. 选出与当前用户最相似的N个用户；

　　　　　　4. 将这N个用户评价最高且当前用户又没有浏览过的item推荐给当前用户。

　　　　基于物品的协同过滤：

　　　　　　1. 分析各个用户对item的浏览纪录；

　　　　　　2. 依据浏览纪录分析得出所有item之间的相似度；

　　　　　　3. 对于当前用户评价高的item，选择与之相似度最高的N个item。

　　　　　　4. 将N个item推荐给用户。

　　2.3 基于内容算法

　　　　推荐与内容相似的item。

　　　　有效解决冷启动问题，但是会失去内容的多样性。

　　2.4 基于模型算法

　　　　常见深度学习、机器学习模型。

　　2.5 多路混合算法

　　　　多种推荐算法加权综合。

 

Time : 2019-10-11 14:14:52