目录
为什么说推荐系统的实时性是重要的?
为了证明推荐系统实时性和推荐系统效果的关系,Facebook曾利用GBDT+LR模型和单纯的树模型进行过实时性的实验。
上图中横轴代表的是模型训练结束到模型测试的时间间隔(天数),纵轴是损失函数Normalized Entropy。从图中可以看到,无论是GBDT+LR模型,还是单纯的树模型,损失函数都跟模型更新延迟有着正相关的关系。
直观一点,在用户使用个性化新闻应用时,用户的期望是更快找到与自己兴趣相符的文章;在使用短视频服务时,期待更快地“刷”到自己感兴趣的内容;在进行在线购物时,同样希望更快找到自己喜欢的商品。所有的推荐都突出一个“快”字,这就是推荐系统“实时性”作用的直观体现。
从专业的角度来说,推荐系统的实时性同样是至关重要的,主要体现在下面两个方面:
- 推荐系统的更新速度越快,越能够反应用户最近的用户习惯,