1. 当物品数量远超人可以手动遍历的范围时,称为信息过载;
2. 如果没有明确需求的用户访问了服务,且该服务的物品对于用户而言构成了信息过载,该系统基于一定规则策略(个性化推荐算法)将物品进行排序,并将排在前面的物品推荐给用户,这就是推荐系统;
3. 个性化推荐算法在工业界成功落地的3类产品:
3.1 地图(餐馆、影院多);
3.2 电商(商品多);
3.3 信息流(新闻、短视频多)。
4. 如何衡量个性化推荐算法在产品中起到的作用?
4.1 线下 模型指标 -> AUC、准确率
4.2 线上 业务指标 -> CTR、平均停留时长、GMV
5. 算法介绍
5.1 个性化召回算法
5.1.1 基于用户展现点击的矩阵分解
5.1.2 基于图的推荐
5.1.3 基于内容的推荐
5.1.4 基于深度学习的隐语义召回
5.2 个性化排序算法
5.2.1 LR
5.2.2 GBDT
5.2.3 LR + GBDT
5.2.4 DNN(Google Wide & Deep)
6. 算法评估
6.1 offline(模型本身的指标)
6.1.1 AUC
6.1.2 Precison & Recall
6.1.3 Re Rank:拿到用户原始展示和点击数据,训练新模型对原始展示数据打分重排序,判断新模型优劣
6.1.4 Re Recommend
6.2 online
6.2.1 CTR 点击率
6.2.2 ViewTime 停留时间
6.2.3 TotalRecommendID
7. 人生苦短,我学Python(TensorFlow、word2vec-Google、xgboost-陈天奇)。