鸿利彩票平台开户

  • <tr id='uxy8ye'><strong id='uxy8ye'></strong><small id='uxy8ye'></small><button id='uxy8ye'></button><li id='uxy8ye'><noscript id='uxy8ye'><big id='uxy8ye'></big><dt id='uxy8ye'></dt></noscript></li></tr><ol id='uxy8ye'><option id='uxy8ye'><table id='uxy8ye'><blockquote id='uxy8ye'><tbody id='uxy8ye'></tbody></blockquote></table></option></ol><u id='uxy8ye'></u><kbd id='uxy8ye'><kbd id='uxy8ye'></kbd></kbd>

    <code id='uxy8ye'><strong id='uxy8ye'></strong></code>

    <fieldset id='uxy8ye'></fieldset>
          <span id='uxy8ye'></span>

              <ins id='uxy8ye'></ins>
              <acronym id='uxy8ye'><em id='uxy8ye'></em><td id='uxy8ye'><div id='uxy8ye'></div></td></acronym><address id='uxy8ye'><big id='uxy8ye'><big id='uxy8ye'></big><legend id='uxy8ye'></legend></big></address>

              <i id='uxy8ye'><div id='uxy8ye'><ins id='uxy8ye'></ins></div></i>
              <i id='uxy8ye'></i>
            1. <dl id='uxy8ye'></dl>
              1. <blockquote id='uxy8ye'><q id='uxy8ye'><noscript id='uxy8ye'></noscript><dt id='uxy8ye'></dt></q></blockquote><noframes id='uxy8ye'><i id='uxy8ye'></i>

                電商推薦算法的三大維度:Match、Rank與Re-rank

                • 時間:
                • 瀏覽:1859
                • 來源:市場運營網

                ?電商環境下的個性∏化推薦,主要◣包含三大維度的模塊,針對用戶的候選召回(Match),候選商品的精排(Rank),以及線上◆的策略調控(Re-rank)。而Match(召回)和Rank(排序)是推薦流程非常關鍵↓的兩步。

                一、Match

                Match即有效和豐富的召回,從全量商品(還包括feed和視頻等)集合手里多了把匕首中根據用戶行為和屬性信息觸發盡可能多正確々的結果,並將結果返∞回給Rank。

                推薦不同與搜索,在沒有明確Query觸達的情況下,用戶的Match召回就顯☉得尤為重要,希望相關性的信息盡【可能的豐富。

                因此Match面對的是整個商品庫集合,需要保留盡可能多的相今天照旧關結果,剔除相關性較弱的結果◇,降低對後面鏈路的壓力。

                由此需綜合利用⌒ 多種信息,比如用戶信息(年齡、性能、購買力等)、類目信息、店鋪信息、文本信息等。從而既保證高召回率,又要保證高的準確⌒率。Match結果的好壞,對整個結▽果有重要的影響。

                Match召回策略主要包含兩大類:基於內容匹配的召回∩和基於協同過濾的召回。

                前者主要是基於用戶的畫像信息∑ 和商品的內容信息進行匹配召回。這種方式召回率較高,但除夕精度較差,比較適用於冷啟動★的語義環境。

                後者主要是基於用戶和商品之間的行為矩陣,通過一系列策略得到用戶和候選△商品之間的相關性众矢之;這種∞方式精度較高,但存在一定程度的冷啟動問題。協同過濾是當前推〖薦依賴的基礎策略。

                二、Rank

                Rank即精排,通過一個準確的铁云預估模型對Match階段海選的商品進行精準打分,並根據打分結果進行排序截斷,決定最♀終向用戶展示的結果順序。

                Rank模型兩大要素為特征♀抽取和打分模型學習訓練。

                特征抽取的第一步也是最為重要的一步就是清洗日Ψ誌,曝光日誌可以通過日誌埋點進∴行過濾,並結合更準確的搜索、點擊、收藏等用戶行為日誌,進行User_id和Item_id維度的聚合,最終將兩份日█誌Join在一起構造為用戶特征樣本。

                特征抽◣取除了基本屬性特征,如user_id,item_id,user的年齡性別等人群特这么一想征,有小時級或分鐘「級回流的準實時反饋特征,還包括user端和item端雙向交叉特征,如user在不同類目下的偏好≡程度,item在不同性別年齡購買力人群下的ctr等。

                除了用戶實時特征外,還會進行離線模型的日誌及特征的接入、預處理以及離☆線特征的統計工作,作為實時特征的補充,這裏處理長期興趣的統計類〇特征的準ω備以及各種平滑過濾邏輯,在數據側提供了保障。

                打分〗模型主要分為CTR與CVR預估模型,在展示●商品前,結合用戶歷史行為&商品&場景信息,預估展示商品之自己突然愣神後用戶是否會點,或點擊之後是否會ω 購買,從而在Rank時有不『同的CTR與CVR傾向。

                目前,成熟ξ的排序模型都是多維度分數融合排序,獲取星辰多個維度的預估分,包括CTR預估,CVR預估,筆單價和商品◆毛利潤,根〓據業務指標進行調控,計算最終◥的RankScore。

                三、End

                推薦算法踏上第一大弟子是Match與Rank的聯動協同。當用戶Match模型,召回的內容較少時,Rank排序則無較大的發★揮空間。當用戶的行為豐富,更容易獲取召『回了,Rank排序則能」發揮更大的效用。

                ?

                作者:Link,微信公眾號:從0到1(aboutlink)。美團點◤評產品經理,負責億級用↘戶平臺,專註於O2O,用戶產品設計,數據分析等領域。

                本文由@Link 原創發布。未經許可,禁止轉載。

                題圖來自unsplash,基於CC0協議

                猜你喜歡

                產品秘籍(一):登此刻她才知道在校园里所上演門檻心法,讓用戶接受你的無理取鬧

                登門檻,步步心機,讓用戶在不知不覺中步入產品的你杀了石千山“陷阱”,最終達成◣產品的預期運營效果。1966年,美國社會心理學家弗裏德曼曾經做過一個→實驗:他讓助手們隨機邀請〒一些家庭主婦在安全駕

                2020-01-09

                這4個配色技巧,解決你80%色彩問題

                今天和大家分享下界面中如何√使用顏色,顏色在設計中對於我們的情緒和行為有〓著很大的影響,很多產品marshal23都在搶占我們內心的顏色心智,因此選擇適當的顏色的一個產品成功很關鍵的點!設計師都有↘收

                2020-01-09

                產品設計方■案大觀園(二):硬件設計篇

                上一篇《產品】設計方案撰寫指南(一):結構設計》中我們說到,只有№理解背後的道理,借助框架模板,通過反復的訓練才可以提高產品設計方案的撰寫水平,並且ξ 和大家探討了結構設計版塊的撰寫要

                2020-01-09

                2019年終總結:從0-1的2B產品搭建復进去之后盤

                本文筆者簡述了一款“2B”ERP生產制造產品的搭建思路,以此作為2019年的總結,也希望給讀者帶來一︼些啟發。B端產品所處環境復雜,往往一開始接觸的時候就如同走進了森林,不知道從

                2020-01-09

                幹貨 | 如何構建UI組件設計規範

                通過本文,你↘將學習到Uber、Pinterest、Shopify和Airbnb等知名網站▅如何利用組件構建統一的UI/UX設計規範。Airbnb通過react-sketchapp

                2020-01-09