一、解决问题
- 千人千面
- 场景决定推荐规则
二、推荐方法
- 基本规则的推荐
销量等规则+排序
有明确的规则定义,可通过人肉方式,对规则模型做一定的定制
可解析性强
- 基于传统的机器学习的推荐
基于用户的历史行为、服务门店、用户特征
对数据质量有要求,一般要将原始数据通过衰减或时间工程处理
只要数据足够好,就可以帮助我们去发现对应数据过程中隐含的意义,并将参数自动计算出
机器学习的推荐特别是:
公式:固定可见;
参数:是通过历史数据拟合训练出来,脱离人肉干预
训练结果,可用于模型预测
- 基于深度学习、神经网络的推荐
不断反推、递归:最后给出用户所需要的预测打分
对数据质量的要求更高
深度学习,也可以算为机器学习这一类,....
三、推荐模型
- 规则模式:规定则定义、简单的计算公式
- 机器学习模型训练:数据训练后的算术公式
- 机器学习模型预测:待预测数据经过训练模型算术公式后的结果
四、模型评测指标
100 条数据, 80条用于模型训练,20 条用于测试
-1. 离线指标:查全率、查准率、auc等
-2. 在线指标:点击率、交易转化率等
-3. A/B测试:
网友评论