推荐算法工程师的工作一般都可以建模为带约束条件的最优求解问题。
目标设定
- 目标的设定需要较强的业务理解和领域知识:尤其是偏中长期的目标
- 目标的测量方法与目标本身同样重要:需要考虑采用哪些指标,哪些属于短期指标,哪些属于长期指标,测量周期是多久,等等。总之,无法测量的目标,也就无法验证是否实现
- 约束条件与目标同样重要:需要考虑目标对哪些既有指标会有影响,属于正向还是负向影响,预期是影响度有多大;约束指标同样需要加入到关注指标范畴内。
目标拆解与路径规划
如何拆解目标和设计实现路径:
- 调研:相关的paper,竞品,历史上类似的项目做背书
- 数据分析
实验与分析
我们遇到的优化问题,往往很难直接求解最优解,因此通常通过实验的方法来验证上一步路径规划是否有效。实验方案设计的一些原则包括:
- 适度的流量:过小的流量会导致统计误差,影响结果分析;较大的流量可能会影响用户体验,尤其是对于激进的实验
- 多组对照组:观察对照组间的差异,确定指标的波动区间
- 实验空转期:引入空转期,确定指标的波动区间
- 完整的观察周期:一般需要比较完整的观察周期,包含工作日和周末,根据产品的业务场景确定
实验结果的分析包括:
- 指标上升或下降的归因分析
- 确定实验的迭代方向,修正和补充目标拆解与路径规划方案