推荐系统(多样性，惊喜度，测试方法……)

多样性：推荐给客户的商品列表的异质性(长远利益)

diversity=1-s

 

惊喜度：通过惊奇度和相关性来表达

sere=surprise×rei(user)

惊喜度：surprise=(pi(user)-pi(alluser),0)

pi=(n-rank i)/(n-1)

新颖度：Nove=Σ㏒2 pi /n  

越高，商品越长尾

实时性：对用户进行快速的计算和推荐(过滤模块)

注入攻击：受控账号

E：开发利用：现在可用的最佳方案

E：探测：选用不确定的方案取长期利益

EE问题：兴趣拓展(相似话题，搭配推荐)、人群算法、平衡个性化推荐和热门推荐、随机丢弃用户行为历史、随机扰动模型参数

缺点：伤害用户体验、评估周期长、KPI关键指标评级、长尾和爆品的关系

测试方法：离线测试(用户历史真实数据80%-90%训练集、10%验证集)

问题：无法知晓用户的感受，对过去数据的拟合，对未来数据泛化的不确定

用户测试、线上测试：A/B测试