推薦系統雜說

推薦方法

• 基於規則的推薦
• 基於傳統機器學習的推薦
• 基於深度學習的推薦

推薦模型

• 規則模型：規則定義，簡單的算術公式
• 機器學習模型訓練：數據訓練後的算術公式
• 機器學習模型預測：待預測數據經過訓練模型算術公式後的結果

模型評價指標

• 離線指標：查全率，查準率，auc等
  • 離線指標是在線指標的一個准入標準
• 在線指標：點擊率，交易轉換率等
• A/B測試

系統模型圖

核心

召回

個性化召回算法ALS（粗排）

• 最小二乘法
• 利用矩陣分解的結果無限逼近現有數據，得到隱含特徵
• 利用隱含特徵預測其餘結果

舉例

1. 用戶行爲數據
   
2. 用戶特徵
   
3. 產品特徵
   
4. 公式
   

說明

• 將user矩陣和product矩陣的轉置相乘
• 獲取無限逼近真於實數據的分數
• 同時預測其餘節點的分數，排序後輸出

排序

個性化排序算法LR（精排）

• 邏輯迴歸
• Y = ax₁+b₂+c₃+d₄+…
• 計算擬合公式

圖解

特徵處理

• 連續特徵：壓縮數據到0-1
  • z-score標準化(x-mean)/std ，mean平均值 std標準差
  • max-min標準化(x-min)/(max-min )
• 離散特徵：one-hot編碼
• 連續特徵離散化：bucket編碼，可以按區間分檔，每檔一個[0,1]特徵