推荐系统思考

1.推荐系统的意义

   推荐系统是解决在信息过载情况下，用户如何高效获得感兴趣信息的问题

   a.推荐场景下用户目的不明确，没有最优解；

   b.捕捉用户兴趣的过程如何用数学公式量化是一个难点；

   c.推荐系统解决产品能够最大限度地吸引用户、留存用户、增加用户粘性、提高用户转化率、从而达到公司商业目标连续增长的目的；

2.推荐的逻辑框架

   a.f(U,I,C) 实现用户和物品在特定场景下的匹配； 

   b.推荐模型不是推荐系统的大招，推荐真正的大招是对用户行为和应用场景的观察，基于这些观察，改进出能够表达这些观察的目标和模型结构及特征；

   c.模型三个提升维度：记忆与泛化（通过增加更多特征与样本）、目标拆解（设计科学有效的模型学习目标）、高效与实时性（提升模型与数据的实时性）。

3.推荐模型发展历史

   协同过滤->FM模型->FTRL模型->GBDT+LR->DeepFM->DIN->MMOE->PLE

4.推荐系统中的各种偏差

   a.推荐系统如果一味的使用历史数据，根据用户的历史行为进行推荐，不注重发掘用户的新兴趣，则短期用户容易满足，长期用户容易离开；所以推荐系统需要试探和记忆兼顾，尽量能不时地给用户惊喜感；

   b.推荐空间是由高活跃用户影响的，天生歧视不合群用户，吸引合群用户；

   c.在利用群体特性的同时，推荐系统也在被群体的分布不均反噬；

5.如何解决推荐系统倾向合群用户的偏差

   a.引入新的有价值的信息，为推荐系统增加新的更有价值的水源；

   b.多业务打通，通过统一全局embedding打通各场景兴趣偏差，实现整体业务利益最大化（各场景和）；

6.如何合理设定推荐系统优化目标

    a.对推荐系统的改进，不是执着长版，而是改进最短的木板，带动整体提升；

       例子：小说场景（点击用户的次日阅读留存），yotube（时长优化目标），netflext（封面图优化）

7.关于推荐系统的实时性

   a.用户期望更快刷到自己感兴趣的视频、文章，用户的耐心在变低；

   b.推荐系统实时性有两方面：特征实时性和模型实时性【此处包括端侧模型】；

8.模型要和业务场景结合起来

  例子：attention（电商场景下存在兴趣转移，信息流场景下不存在）；

9.运营与算法如何合作

  a.专家推荐【新鲜度】；b.往推荐空间中加入新的内容（形成正向循环）；

10.其他场景的信息是否一定会对当前场景有用；

   在其他场景点的东西是否代表了用户兴趣；

   用更多的数据是否可以更好地刻画当前业务场景推荐空间；
11.如何成为一名优秀的推荐工程师

  a.知识：具备推荐系统领域相关知识

  b.工具：具备编程能力，熟悉推荐系统相关的技术工具；

  c.逻辑：具备算法基础，思考的逻辑性，条理性

  d.业务：对推荐系统的业务场景十分了解；