ShusenWang 推荐系统公开课 - 笔记

尝试学习一下推荐系统的公开课，做一些笔记。

推荐系统基础

01 推荐系统的基本概念

这课程以小红书的推荐系统为例，讲解基本概念。

**推荐系统的转化流程：**曝光 -> 点击 -> 滑动到底 / 点赞 / 收藏 / 转发 -> 评论

消费指标：
点击率 CTR = Click / Show
点赞率 = 点赞次数 / 点击次数
收藏率 = 收藏次数 / 点击次数
转发率 = 转发次数 / 点击次数
阅读完成率 = 滑动到底次数 / 点击次数 * f(笔记长度)
其中这个 f 是一个计算方法，由于笔记长短不一，单一的计算方式对长笔记显得不公平，因此有特别的方法来计算这种情况。

**北极星指标：**主要的衡量推荐系统效果的指标。

• **用户规模：**日活用户数（DAU）、月活用户数（MAU）
• **消费：**人均使用推荐时长、人均阅读笔记的数量。
• **发布：**发布渗透率、人均发布量。
  
  实验流程：
  离线实验 -> 小流量 AB 测试 -> 全流量上线
  

感觉和广告系统差不多。毕竟广告也是推荐系统

02 推荐系统的链路

• 召回（Retrieval）：快速从海量数据中取回几千个用户可能感兴趣的物品。
• 粗排：用小规模的模型的神经网络给召回的物品打分，然后做截断，选出分数最高的几百个物品。
• 精排：用大规模神经网络给粗排选中的几百个物品打分，可以做截断，也可以不做截断。
• 重排：对精排结果做多样性抽样，得到几十个物品，然后用规则调整物品的排序。
  

流程图：

召回
从几亿 item 中通过多个不同的召回方式，选出几百条结果。
召回通道是选择的方式，小红书涉及十几种，协同过滤、双塔模型、关注的作者、等等。

粗排、精排
粗排、精排会将特征输入进神经网络，计算出一系列预估值，根据这些预估值得出排序分数。

重排
重排最重要的功能是多样性抽样。
比如第一个内容是 NBA，那接下来几个位置不能全是 NBA，相似的内容不能全是一样的。

总结