推荐系统

介绍

搜索的流量分布服从马太效应，而推荐的内容服从长尾长尾效应。

推荐系统目标是高效连接用户和物品，发现长尾商品；留住用户和内容生产者，实现商业目标。

推荐系统评估

常用指标

对于用户的反馈行为可以分为两个方面：显示反馈和隐式反馈

• 准确性
  使用RMSE MSE 召回率等
  工业界中
  针对不同的应用于推荐内容有不同的评价方法。
• 覆盖率（指标）
  覆盖率
  信息熵（照顾了长尾）
  基尼系数、
  分层流量占比等
• 平衡准确性和新颖性
  exploitation 和 exploration
  Bandit算法（多臂老虎机问题）原理:（强化学习用到）
  1.Epsilon-greedy:以1-epsilon的概率选取当前收益最大的臂，以epsilon的概率随机选取一个臂。（不做探索）
  2.uppper confidence bound：均值越大，标准差越小，被选中的概率越大
  
  3.Thompson sampling：每个臂维护一个beta分布，每次从现有分布产生随机数，选择随机数最大的臂。
  Bandit算法应用：兴趣探索、冷启动探索、LinUCB（加入特征信息。用user和item的特征预估回报及其置信区间）、COFIBA（bandit结合协同过滤）
  除了bandit算法，EE实践包括兴趣扩展（相似、搭配推荐）graph walk、人群算法（userCF、聚类）、平衡个性化与热门推荐、随机丢弃行为数据、随机扰动 等

评估方法

离线评估（偏差、速度快、不影响用户体验）、在线评估（AB testing）
AB testing：用户分流实验，给每个实验组配不同实验参数。（不灵活、相互影响）
多层重叠实验框架（Overlapping Experiment Infrastructure）：改进了AB testing

推荐系统发展

发展阶段

• 关联规则、热门推荐等统计方法
• 矩阵分解等ML方法，离线计算推荐列表
• 召回+learn to rank重排序
• 召回+排序实时化
• 深度学习，embedding
• 智能化

欢迎关注我的个人公众号，记录学习历程