如何衡量个性化推荐算法的优劣?

发布时间:2024-12-25 16:39

音乐推荐算法能个性化推荐音乐 #生活乐趣# #音乐陶冶#

咨询了一位前辈~

觉得衡量个性化推荐算法的优劣可以有:

场景转化类指标:比如pv点击率、uv点击率、曝光点击率、uv转化率、人均点击个数;【top:曝光点击率-feed流产品】

内容消费满意度指标:留存率,停留时长、播放完成率等。【top:时长】.......

(科普:【场景转化类】:>关注的是将用户从一个场景转化到我们希望的场景去的效果。

这个过程需要用户付出主动的行动,如常见的点击行为。这类指标关注推荐系统的漏斗效果,主要有:

【内容消费类】:>顾名思义即对所消费的内容“评价反映”。一般资讯类、视频类就是典型的内容消费产品。或许也可能是某APP的一个内容业务细分。比如wifi万能钥匙除了工具属性之外的资讯页、比如有和外部内容合作、分发的,也属于内容消费板块)

如果是技术侧的指标也有,模型算法的。算法指标有准确率、召回率、AUC值等,但PM不需关注,关注业务侧比较重要。

(题外话科普)

【准确率:识别为正确的样本数/识别出来的样本数】

【召回率:识别为正确的样本数/所有样本中正确的数】

【AUC/ROC:】一个正例,一个负例,预测为正的概率值比预测为负的概率值还要大的可能性。

这些指标表现好并不能说明产品表现好,因为选择一个算法或者一个模型对于最终产品效果是否有帮助,本身就是存在一定假设。

网址:如何衡量个性化推荐算法的优劣? https://www.yuejiaxmz.com/news/view/564363

相关内容

算法如何实现个性化内容推荐
如何理解并优化个性化推荐系统之探讨
MovieLens个性化电影推荐系统实战(三):个性化电影推荐(推荐算法)
个性化算法要合规整改,“个推”政策限制下如何做好算法推荐?
推荐系统的设计与实现:个性化推荐算法与评估
个性化推荐算法概述与展望
个性化推荐的主流算法:哪些算法值得关注
推荐系统:个性化推荐的算法与实践
个性化推荐算法优化技术研究与应用推广方案.doc
旅行服务平台个性化推荐算法研究

随便看看