个性化推荐 | 特点
- 千人千面；
- 场景决定推荐规则；
推荐方法
基于规则的推荐
- 基于服务类目的推荐
- 基于销量的推荐
基于传统机器学习的推荐
效果取决于历史数据的质量，对数据还需要做特征工程，时间衰减等处理。
- 协同过滤：基于用户的历史数据，推荐相似用户浏览的数据，相似的商品数据；
- ALS 最小二乘法推荐
基于深度学习的推荐
- 突破传统机器学习的天花板，更能发现用户的诉求，以及用户的历史行为当中所包含的其他隐语义的意义；
- 通过不断反推、递归算出中间的神经网络层，给用户做预测打分；
- 对数据质量的要求更高。
推荐模型
规则模型
比如推荐所有美食类目的门店，有明确的规则定义，比如：销量 + 举例，再加上简单的算术公式的排序。
机器学习模型训练
依赖历史行为数据，通过训练算法，训练后得出算术公式，只要数据质量足够好，就可以发现数据之间隐含的意义。
机器学习模型预测
待预测数据，经过训练模型得出的算术公式计算后的结果。
模型评价指标
离线指标
离线指标是模型是否可以上线的准入标准。
- 查全率
- 查准率
- auc
在线指标
验证通过离线指标的模型的真实效果。
- 点击率
- 在线转化率
A/B 测试
A 和 B 两种模型选择，用户选择哪一种，比较两种模型的转化率。
