时间:2023-01-19 | 标签: | 作者:Q8 | 来源:网络
小提示:您能找到这篇{让产品更智能:如何为你的产品选择适合的推荐}绝对不是偶然,我们能帮您找到潜在客户,解决您的困扰。如果您对本页介绍的让产品更智能:如何为你的产品选择适合的推荐内容感兴趣,有相关需求意向欢迎拨打我们的服务热线,或留言咨询,我们将第一时间联系您! |
一、常见推荐机制/算法1. 基础推荐机制协同过滤的风险: 尽管协同过滤技术在个性化推荐系统中获得了极大的成功,但随着产品结构、内容的复杂度和用户人数的不断增加,协同过滤技术的一些缺点逐渐暴露出来。主要有以下三点:
2. 经典算法混合推荐算法: 没有哪种推荐技术敢说自己没有弊端, 往往一个好的推荐系统也不是只用一种推荐技术就解决问题, 往往都是相互结合来弥补彼此的不足, 常见的组合方式如下
综上所有的推荐策略和算法,大致可以分为以下常见的推荐策略:
二、重要事项1. 上线前评估离线评估是指在发布之前,需要去检验典型的bad case 是否解决。是否达成一开始的目标,如果没有,则需要继续调整对应算法,直到能够明显解决问题。 灰度上线则也是稳妥的措施。一开始推荐系统一定是充满了各市场调研线下调研种问题,所以为了解决这个问题,刚开始上线一定不能直接全量上线。正确的做法是,灰度上线一段时间期间,快速的根据用户反馈迭代算法,再考虑全量上线。 用户反馈的方案包括但不限于:用户问卷,负反馈操作入口。 2. ABtest推荐和搜索一样,本身极大依赖参数的配置。而这些参数的配置并没有通用的法则,同时也依赖各个平台自身具体的情况,只能在了解其原理的基础上,不断迭代摸索。在算法迭代的过程中,能够测试其效果是算法迭代的核心。只有能同时在线上部署多套搜索算法,并且监控其效果,推荐的迭代和改进才能展开。而这一切的基础,正是一个看不见的功能:AB test机制。 总结
从“音乐推荐的价值”角度考虑,如何设计推荐算法指标? 用户角度:
产品角度:
参考文献
本文由 @钢镚儿yu 于。, ,基于CC0协议 |
上一篇:用户故事(一):什么是用户故事?
下一篇:用户故事(三):用户故事该怎么写?
小提示:您应该对本页介绍的“让产品更智能:如何为你的产品选择适合的推荐”相关内容感兴趣,若您有相关需求欢迎拨打我们的服务热线或留言咨询,我们尽快与您联系沟通让产品更智能:如何为你的产品选择适合的推荐的相关事宜。
关键词:2年, 中级, 推荐算法,