国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

本文主要跟講解的是基于機(jī)器學(xué)習(xí)的個(gè)性化推薦系統(tǒng)，一起來(lái)看看~

需求場(chǎng)景：

• 在獲知用戶潛在的若干個(gè)興趣點(diǎn)的情況下，如何快速的捕獲用戶的興趣點(diǎn)，并給予持續(xù)的滿足，并形成消費(fèi)轉(zhuǎn)化。
• 讓用戶能夠快速的找到有價(jià)值的內(nèi)容。

需求分類：

• 明確：延續(xù)性&周期性行為；
• 利用：圍繞用戶興趣點(diǎn)進(jìn)行推薦；
• 探索：拓展用戶新興趣點(diǎn)進(jìn)行推薦。

應(yīng)用場(chǎng)景

電子商務(wù)的個(gè)性化推薦，個(gè)性化廣告、個(gè)性化推薦的APP。

業(yè)務(wù)目標(biāo)

用戶消費(fèi)行為的最大化。

衡量標(biāo)準(zhǔn)

• 整體衡量指標(biāo)：整個(gè)產(chǎn)品的的留存時(shí)長(zhǎng)；
• 局部衡量指標(biāo)：推薦模塊人均的展現(xiàn)量、點(diǎn)擊量、消費(fèi)時(shí)長(zhǎng)、頻道留存率；
• 細(xì)節(jié)衡量指標(biāo)：推薦內(nèi)容的點(diǎn)擊率（CTR）、消費(fèi)完成度、消費(fèi)時(shí)長(zhǎng)。

主要步驟-召回-排序-策略干預(yù)

在召回環(huán)節(jié)，通過(guò)召回策略，初選出用戶可能感興趣的內(nèi)容候，形成一個(gè)召回的一個(gè)候選集。在排序環(huán)節(jié)，結(jié)合用戶特征，產(chǎn)品環(huán)境信息推薦內(nèi)容特征，使用機(jī)器學(xué)習(xí)的模型算法，對(duì)召回后的內(nèi)容進(jìn)行經(jīng)排序，以滿足核心的業(yè)務(wù)目標(biāo)。

在策略干預(yù)環(huán)節(jié)，對(duì)機(jī)器學(xué)習(xí)形成的排序進(jìn)行策略干預(yù)。例如需要去做多元打散來(lái)，以及兼顧其他特定的業(yè)務(wù)目標(biāo)等等。

1. 召回環(huán)節(jié)

推薦模型計(jì)算開(kāi)銷較大，完全依賴模型推薦成本過(guò)高，因此需要設(shè)計(jì)召回策略，從海量的數(shù)據(jù)中篩選出用于推薦的內(nèi)容候選集。

• 簡(jiǎn)單召回；
• 用戶歷史消費(fèi)內(nèi)容相似的內(nèi)容。

歷史：用戶的興趣有長(zhǎng)線的還有即時(shí)的興趣，長(zhǎng)線興趣即用戶在平臺(tái)上過(guò)去的一周或者過(guò)去的一月一年在平臺(tái)上說(shuō)表現(xiàn)的興趣，即時(shí)興趣用戶在今天突然對(duì)某個(gè)的內(nèi)容產(chǎn)生了興趣。

相似：在我上一篇的文章中，我們可以通過(guò)基于內(nèi)容的相似，或者基于協(xié)同過(guò)濾，從這兩面都出發(fā)，構(gòu)成內(nèi)容候選集。

基于以上的兩個(gè)維度，我們可以找到一個(gè)用戶歷史內(nèi)容相似的內(nèi)容的一個(gè)候選集。

（1）基于用戶畫(huà)像的匹配

通過(guò)用戶畫(huà)像對(duì)用戶進(jìn)行細(xì)分，去收集每一個(gè)細(xì)分領(lǐng)域內(nèi)的關(guān)注的熱點(diǎn)是什么，比如：IT行業(yè)、24歲、男性、本科、產(chǎn)品汪，你可以收集產(chǎn)品汪喜歡看的內(nèi)容，也可以售后機(jī)24歲、男性這個(gè)畫(huà)像喜歡看的內(nèi)容，

基于用戶畫(huà)像的推薦，有兩個(gè)實(shí)體：內(nèi)容和用戶。需要有一個(gè)聯(lián)系這兩者的東西，即為標(biāo)簽。內(nèi)容轉(zhuǎn)換為標(biāo)簽即為內(nèi)容特征化，用戶則稱為用戶特征化。

（2）排序召回

最新、最熱、最近、最新光顧、人工精選。

（3）規(guī)則召回

天氣、近期搜索瀏覽、朋友的購(gòu)買(mǎi)、同期過(guò)往習(xí)慣等業(yè)務(wù)性策略。

2. 排序環(huán)節(jié)

（1）模型簡(jiǎn)介

機(jī)器學(xué)習(xí)本質(zhì)上來(lái)說(shuō)就是通過(guò)已有的數(shù)據(jù)，進(jìn)行算法的選擇，并基于算法和數(shù)據(jù)構(gòu)建模型，最終對(duì)未來(lái)進(jìn)行預(yù)測(cè)，簡(jiǎn)單的來(lái)說(shuō)就是總結(jié)過(guò)去、預(yù)測(cè)未來(lái)。

什么是模型呢？

一般來(lái)說(shuō)給定自變量的值，通過(guò)表達(dá)式計(jì)算就可達(dá)到因變量的值，而在機(jī)器學(xué)習(xí)中給定了自變量和因變量的值，通過(guò)機(jī)器學(xué)習(xí)，得到這表達(dá)式，也就是模型。

在CV領(lǐng)域，模型可以把一個(gè)自變量的輸入，也就是一張圖片，轉(zhuǎn)化成一個(gè)分類。在NLP領(lǐng)域，模型可以把一個(gè)自變量的輸入，一段語(yǔ)音，轉(zhuǎn)化成文字。

而模型當(dāng)中參數(shù)會(huì)有無(wú)數(shù)種組合，而我們則需要從中找到一個(gè)最優(yōu)的一組參數(shù)。

（2）模型的構(gòu)建

確定輸出Y：

期望模型預(yù)估的什么，比如：在推薦領(lǐng)域我們想得到的輸出是用戶點(diǎn)擊這個(gè)推薦的內(nèi)容的概率有多大；在預(yù)測(cè)腫瘤的性質(zhì)中，希望得到是良性還是惡性；在NLP特征工程對(duì)文本進(jìn)行處理中，我們期望的輸出是一段文本。

確定輸入X（特征）：

哪些業(yè)務(wù)因素會(huì)影響我們的結(jié)果，比如：在推薦系統(tǒng)中影響用戶最后點(diǎn)擊的可能有 是否與用戶喜愛(ài)匹配，內(nèi)容的整體熱度，當(dāng)前所處的地理位置，等等；在預(yù)測(cè)腫瘤是結(jié)果，可能有腫瘤的面積、形狀、方向等等。

輸入輸出的關(guān)系X﹣Y（算法的選擇）：

需要根據(jù)我們想要的結(jié)果確定相應(yīng)的模型，一般的結(jié)果分為兩類：一類是離散型變量，一類是連續(xù)型變量。

• 輸出的如果是離散型變量則是分類問(wèn)題；
• 輸出的如果是連續(xù)性變量則是回歸問(wèn)題。

比如：預(yù)測(cè)用戶點(diǎn)擊推送的內(nèi)容的概率是多大，則是回歸問(wèn)題，而預(yù)測(cè)是否點(diǎn)擊，則是分類問(wèn)題。

1. 線性：邏輯回歸（LR）優(yōu)點(diǎn)解釋性比較強(qiáng)，缺點(diǎn)在變量是非線性關(guān)系的時(shí)候表現(xiàn)很差；
2. 非線性：隨機(jī)森林（RF）或梯度提升樹(shù)（GBM），優(yōu)點(diǎn)適應(yīng)性強(qiáng)，有很好的魯棒性，缺點(diǎn)可解釋性差；
3. 深度學(xué)習(xí)DNN：非線性，優(yōu)點(diǎn)技術(shù)牛逼，表現(xiàn)優(yōu)異，缺點(diǎn)解釋性更差，對(duì)于數(shù)據(jù)的要求比較高。

（3）訓(xùn)練模型

基于已知的X和Y，收集推薦的歷史數(shù)據(jù)，構(gòu)建訓(xùn)練集和測(cè)試集。為了使我們的訓(xùn)練效果更好，我們需要根據(jù)內(nèi)容消費(fèi)行為的完成度進(jìn)行有效的過(guò)濾，拋棄低完成度行為。

在訓(xùn)練數(shù)據(jù)集上運(yùn)行模型(算法)并在測(cè)試數(shù)據(jù)集中測(cè)試效果，迭代進(jìn)行數(shù)據(jù)模型的修改，進(jìn)而找到最優(yōu)參數(shù)。

（4）模型的評(píng)估

分類算法的評(píng)估方式有：精確度、召回率、F1指標(biāo)、混淆矩陣、ROC曲線、ROC曲線下面的面積。

回歸算法的評(píng)估方式有：一般使用的方法有平均方差、絕對(duì)誤差、R平方值，而一般產(chǎn)生的結(jié)果可能有過(guò)擬合、欠擬合。

1. 過(guò)擬合：算法太符合樣本數(shù)據(jù)的特征，對(duì)于實(shí)際產(chǎn)生中的數(shù)據(jù)特征無(wú)法擬合
2. 欠擬合：算法不太符合樣本的數(shù)據(jù)特征

3. 策略干預(yù)

平臺(tái)出于內(nèi)容生態(tài)和社會(huì)責(zé)任的考量，像低俗內(nèi)容的打壓，標(biāo)題黨、低質(zhì)內(nèi)容打壓，重要新聞的置頂、加權(quán)、強(qiáng)插，低級(jí)別賬號(hào)內(nèi)容降權(quán)都是算法本身無(wú)法完成，需要進(jìn)一步對(duì)內(nèi)容進(jìn)行干預(yù)。

1. 強(qiáng)插：對(duì)于重度投入的頭部?jī)?nèi)容，不管從運(yùn)營(yíng)的角度還是產(chǎn)品的角度都是有實(shí)際需求。
2. 分類打散：保證多樣性，解決某種情況下，一個(gè)分類下的內(nèi)容都被排在前面的問(wèn)題。通過(guò)給每一個(gè)分類以一個(gè)合適的配比，進(jìn)行展現(xiàn)。
3. 內(nèi)容配比：保證新內(nèi)容在推薦結(jié)果很注重又一個(gè)占比，避免因馬太效應(yīng)導(dǎo)致沒(méi)有用戶數(shù)據(jù)的內(nèi)容，無(wú)法進(jìn)行推薦。

本文由 @SincerityY 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議