个推教程--第九课--总结与展望

排序部分总结

rank模型是对不同的item打分，然后item根据不同的得分展现给用户

特征和样本量的比例一般是1:100及其以上，即样本量要保证。实验中的样本量太少，所以wd没有发挥出威力。如果比例低于100，过拟合的风险就很大。

user：用户静态属性，如年龄、性别、地域以及简单的统计特征（比如用户买过多少商品、长短时统计比如近30天。。。blabla）、还有根据用户历史给他打上一些标签，比如

item：商品的特征，比如商品名称、上线日期、被购买的次数、深受哪些人欢迎等等

context：上下文特征，当前星期几，用户请求服务时地理位置信息等

ui relation：用户和item的关系，比如用户买过它、加入过购物blabla

statistic supplement：统计增补信息，比如商品上架时间和购买率之间的关系、近一个月上架商品的购买率、近两个月上架商品的购买率

 

个性化推荐召回和排序的总结

用户访问时，通过recall得出这个用户的候选集列表，再通过feature assemble去kv中去拼一下特征，获得用户侧的特征和item侧的特征以及上下文特征等等，然后rank server会得出每个item的得分，返回给推荐引擎。