推荐系统常见问题（六）：CTR 预估和推荐系统有什么区别？？？

在学习推荐系统的时候，一方面搞不清楚推荐系统和机器学习的差别，一方面搞不清楚 CTR 预估和推荐系统的差别。。。这学的也太费劲了。。。

下面的答案来自知乎，这是链接，我从中选取了自认为说的比较有道理的几个答案。

答案一

正好在计算广告和推荐系统两个领域都有从业经验，就答一下这个问题。

题目问的是CTR和推荐算法的“本质”区别，那么我们就得往“本质”上说，什么算法原理上的区别，系统设计上的区别，应用场景上的区别，那怎么算本质的区别呢？顶多算是方法上的区别。

CTR和推荐算法的本质区别只能有一个，就是

• CTR最终预测的是那个有物理意义的数值Click Through Rate；
• 推荐算法最终产生的是一个推荐列表，是一个item的相对位置。

正是因为这样的本质区别，才衍生出了后续的差别。比如我们说协同过滤，为什么这是一个推荐算法，不能是一个CTR模型？就是因为协同过滤是通过相似性得到一个推荐列表，而相似性本身并没有CTR的物理含义。

有同学说CTR和推荐算法都有召回层，排序预估层，这算什么CTR算法和推荐算法的联系呢，这顶多算是计算广告系统和推荐系统的区别联系。

当然CTR预估模型可以用于推荐系统，因为推荐系统把CTR预估模型产生的CTR值当作排序的依据，但我们在本质上要明白，推荐系统并不care那个排序依据有没有物理意义。

反过来，无法预测CTR的推荐算法并不能直接应用在计算广告系统中，因为计算广告系统需要CTR预估值有精准的物理意义来参与bidding，预算控制等模块，这里仅有相对位置的关系是远远不够的。

答案二

ctr预估只是推荐系统中的一环。一般推荐系统包括召回，精排（ctr预估），rerank（机制策略）。

召回和精排的打分集合是不一样的。召回针对的是全部item，而精排针对的是召回输出的item。因此召回一般是在全部item集合上构建训练样本，而精排一般是基于展现样本来构建训练样本，而这部分样本本身是有偏的。即使精排有能力对全体item进行打分，由于只基于展现样本训练，对于没有展现过的item，预估会有偏差，可能会有问题。因此现阶段需要依赖召回通过各种召回方式来对item进行过滤筛选。但是后面算力足够了，这个问题是不是就不能解了呢？我觉得未必不能解。只不过在算力还没达到的时候，大家的精力暂时不在这个地方。另外推荐系统的排序目标一般是多种多样的，以阿里电商推荐为例，一个主要排序目标是gmv（ctr×cvr×price），同时要兼顾用户体验，考虑多样性等指标，这些仅仅靠一个ctr预估模型是无法做到的。