算法|小白产品必看的推荐系统四步指南( 三 ) 抽象|prd|中台|商户|B端|业务|经

常用的排序算法框架有pointwise、pairwise、listwise三类，下图中x1，x2，… 代表的是训练样本1，2，… 的特征，y1，y2，s1，… 等是训练集的label(目标函数值)。感兴趣的同学可以自行深入了解下，这里不多赘述。
四、模型的持续优化当围绕人和物建立起一套推荐模型后，工作并没有结束。相反，它才刚刚开始。
多数产品首次上推荐时便需要面对较复杂的策略规则，但因缺少实际数据依托，往往是算法人员凭个人经验和竞品来作参考给出初始模型（比如某feed中初始策略设置热点权重4，时间权重2、兴趣权重2等），所以导致效果也参差不齐。一般需要灰度上线后，拿到实际的用户反馈数据（比如ctr、完播率、下单率等），才能针对模型持续进行调优和完善。
我们针对某个模型进行数据验证时主要分为两步：

离线评估：在离线准备好的新数据集和之前模型数据做对比，比如准确率、覆盖率、多样性等多方面，如该模型的综合指标优于线上模型，则可以进入线上实验，这里一般由产品经理把关。
线上实验：当评估模型效果较优后，我们需要在线上进行A/B分桶实验。一般实验周期在2周左右，对比实验组和对照组，如实验数据为正向，则推到更多用户量继续监测。如在某个阶段为反向，则返回优化模型策略，反复实验直到逐步推向全量用户。

“没有最好，只有更好”这句话也算是推荐系统的真实写照。算法推荐不像其他功能型需求，它也没有绝对完成的那天。强如头条和抖音的算法体系已如此健全，其每年还是花费大量成本来招聘算法岗。因为随着社会发展，用户习惯和兴趣爱好时刻产生着不同程度的变化。所以让推荐系统保持敏捷，长期持续的监测和策略优化才是整个推荐系统中的常态。
今天的这里就结束了，共分为“产品属性分析”、“特征工程”、“推荐策略”、“模型持续优化”四部分，篇幅有限细节部分就有所忽略，希望大家多包含。路漫漫其修远兮，相信随着各位的努力，更加完备更有想象力的推荐算法也会不断地涌现和繁荣！
本文由 @许木原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议。