当前课程知识点:大数据技术与应用 > 杨紫陌:个性化内容推荐 > 线上推荐系统其它要素 > 线上推荐系统其它要素
那么除了刚刚说的这个排序
我们在真正的线上系统
可能还会用比如说
这种用户探索的这个模型
就是因为有些模型
它会导致用户的兴趣收敛
比如说我是一个喜欢看古装戏的人
那么当系统touch到了我的兴趣
就不停地给我推古装戏
可能就会造成整个系统
它的这个生态不是很好
对 就比如说如果我在这个爱奇艺上
我把所有古装戏看完了
可能这个平台对我来说
就没有那么大的吸引力了
那个时候我可能就会
杂诿扛鲇没Ю此?
留小部分的流量
或者有一定的比例去探索用户的兴趣
那这个其实就称为叫EE Explore and Exploit
就是说我希望能够
更多地去探索用户更多的兴趣
然后给到这个一个Thompson采样
让这个用户出的这些内容
不仅仅是完全符合期望函数的
可能还会加一些随机的扰动
那么另外就是说
刚刚讲的其实都是这个
就是传统的一个推荐
是用户过来访问一次系统
那么我给到用户一个反馈
这样一种被动的推荐方式
那么其实个性化推荐
它在很多的场景
也可以走到一个比较主动的推荐方式
那这个时候可能就不仅仅是
我刚刚讲的那一套
主要是围绕着内容个性化做的
刚刚其实主要是围绕着内容个性化
就是用户过来一次请求以后
我到底给用户推什么样的内容
那么这个时候如果我走向主动的话
可能更多的需要去做的
可能是环境的个性化
比如说用户他应该在什么样的环境
我才会给他推
他在工作时间
我应该不适合给他推任何的内容
可能回到家的时候
我可能就会选择
给他推一些放松娱乐的内容
可能周末我会给他
偏推一些长视频这样的
那么第二个就是人群的个性化
哪些用户是该推的
哪些用户是不该推的
那这些可能也是
和这个内容个性化
是相似的一个解决的逻辑
第三个就是渠道的个性化
每个用户其实对不同渠道的
这个敏感程度是不一样的
比如有的用户
他可能更接受短信的方式
有的用户更接受push的方式
那这些其实都是
从一个被动的个性化形态
走向一个主动的个性化形态
可以用类似的这个技术解决一些问题
那这个是我最近也是在打算做
还没有开始做的一个事情
就简单介绍一下
就是说真正在做线上的推荐场景的时候
其实并不是说
你想推什么就推什么
完全以CTR为导向的
那事实上它会有很多的运营规则
比如说这个广告主对吧
虽然推这个广告他效果并很好
但是这个广告主出了特别特别多的钱
那我可能还是要保证它的曝光量
再比如说我这个爱奇花了一个重金
买了一部剧花了1000万
那么另外一个就花了100万
那么这个时候我要保证
这个剧是那个剧曝光量的十倍
那怎么做呢
就怎么样去平衡
一个推荐系统的效果
和运营需求这样的一个关系
其实主要是解决了这样的一个问题
那么首先要给运营
一个可以设置时间周期以及曝光量的地方
那另外一个
其实流量分发的问题
就演变成了一个这样的问题
你可以理解成传统的推荐
他其实是没有这样一个限制条件的
那么他只是需要最大化这个CTR市场
还有消费这些指数就OK了
那么这个时候你的运营条件
其实就是给了你很多的边界
你只能在这个边界内
去做到这个效果的最大化
那么这个时候
我们就需要在这个传统的
这个推荐模块上面加一部分
这个整个流量调控和流量管理的模块
那这一块呢其实跟我刚刚讲的是比较相似的
那么首先会有很多的这个
传统的这个召回方式
然后我们会根据
这个运营设置的一些内容
来按比例地去召回一些
这个运营设置必须要曝光
或者他认为很有价值的这个内容
或者上新的内容
他可能这个表现并不好
但他是因为上新了
所以我必须要给他一定的流量
给他曝光
那么会根据整个流量的库存
还有这个召回的方式
来做一个按比例的召回
那么这两块召回之后
会整体放到一个排序模型里面去打分
然后会根据用户的一些行为
比如说这个电影已经展示的
已经观影的
或者同类打散等一些规则去做降权
那么会增加一个右边
这个流量管理的这个模块
就是说我们需要
在这个场景曝光的时候实时监控
它到底曝光了哪些内容
然后给到这个整个流量管理
去监控它流量还有多少库存
有多少分发了
有多少还没有分发
那么我们需要
对于每一个场景的流量
去进行预估
假如说我们这些所有的流量是
24小时平均效率地去分发的话
它肯定是不科学的
因为你凌晨两点的流量
和晚上八九点的流量
它肯定是不一样的数量级
那这个时候我们需要根据历史经验
去估算每一个场景在不同时段的流量
然后去计算现在的库存
和预估流量的这个差值
然后我们根据这个偏差
去给到最后这个推荐系统图出来的打分
一个惩罚函数 一个惩罚项
那么对于这种
流量偏差比较大的这种内容
我就要去给它强行地去加权
让它增加它的曝光
那这个其实是以效果为导向的推荐
和以这个流量管控为导向的
这个运营规则的一种结合方式
我在这简单地介绍一下
-完整讲座
--完整讲座
-李国杰:面向大数据的数据科学--课后习题
-数据思维方式的改变
-数据的假设与采集
--数据的假设与采集
-数据的准备
--数据的准备
-数据的分析
--数据的分析
-数据的解释与验证
--数据的解释与验证
-吴甘沙:大数据分析师的卓越之道——课后习题
-个人介绍
--个人介绍
-硅谷热门公司
--硅谷热门公司
-大数据简介
--大数据简介
-大数据平台系统
--大数据平台系统
-工业实践
--工业实践
-结尾
--结尾
-董飞:硅谷公司的大数据实战分析--课后习题
-数据系统架构历史
--数据系统架构历史
-从sql到nosql
-数据库系统实现变革
-负载融合
--负载融合
-数据系统架构成本
--数据系统架构成本
-杨光信:数据系统架构——课后习题
-什么是可视化
--什么是可视化
-网络可视化
--网络可视化
-大数据带来的新挑战
-大数据网络可视化的若干案例
-时磊:大数据网络可视化—— 课后习题
-网络安全概述
--网络安全概述
-大数据安全分析平台
-大数据安全应用
--大数据安全应用
-大数据平台安全
--大数据平台安全
-彭元:网络安全与大数据——课后习题
-人工智能系统的本质功能模型
-隐性智慧,显性智慧
-人工智能:能与不能
-人工智能的技术现状
-机制主义人工智能模型
-信息转换和智能创生定律
-人工智能与大数据
--人工智能与大数据
-钟义信:“人工智能与大数据”的创新研究——课后习题
-什么是机器智能
--什么是机器智能
-大数据的重要性及特点
-大数据中的因果关系与关键技术
-大数据与机器智能
--大数据与机器智能
-大数据思维
--大数据思维
-讲座问答环节
--讲座问答环节
-吴军:数据为王和机器智能的时代——课后习题
-大数据概述
--大数据概述
-大数据相关新趋势
--大数据相关新趋势
-大数据技术创新1
--大数据技术创新1
-大数据技术创新2
--大数据技术创新2
-大数据技术创新3
--大数据技术创新3
-大数据商业价值和前景
-大数据机遇和挑战
--大数据机遇和挑战
-苏中:从大数据到认知计算——课后习题
-金融大数据概述
--金融大数据概述
-用户个人信息分类
--用户个人信息分类
-金融大数据法律框架
-实际案例和业界实践
-核心风险点
--核心风险点
-王新锐:金融大数据的法律实践——课后习题
-互联网与商业化
--互联网与商业化
-大数据与计算广告
--大数据与计算广告
-计算广告介绍
--计算广告介绍
-数据交易
--数据交易
-刘鹏:互联网变现与计算广告——课后习题
-从记账技术到区块链
-区块链确保数据真实性
-区块链确保数据安全性
-区块链衡量数据价值
-区块链的应用和总结
-杨保华:区块链与数据科学——课后习题
-个性化推荐系统
--个性化推荐系统
-推荐系统的召回与排序
-智能制作之个性化海报
-线上推荐系统其它要素
-杨紫陌:个性化内容推荐——课后习题
-个人介绍及用户理解背景
-用户理解与用户画像
-案例1:用户属性识别
-案例2:自然人识别
-案例3:WOI与社交关系识别
-陆祁:用户行为大数据——课后习题
-内容智能生态——数据、算法、应用
-大数据在内容分析的应用
-IP价值评估系统
--IP价值评估系统
-爱奇艺的剧本评估
--爱奇艺的剧本评估
-爱奇艺的智能评分
--爱奇艺的智能评分
-阳任科:大数据与AI的内容分析——课后习题
-外卖行业及场景简介
-餐饮及外卖行业大数据应用框架
-案例分析:智能营销场景的用户画像
-案例分析:智能助手场景的菜品画像
-王栋:美团外卖的大数据应用——课后习题
-旅行业务的特点
--旅行业务的特点
-美团旅行业务的用户画像构建
-用户画像的应用案例
-住宿需求预测问题
--住宿需求预测问题
-营销补贴策略建模
--营销补贴策略建模
-赵楠:商业思维与大数据技术在美团旅行业务中的结合——课后习题
-互联网金融背景介绍
-互联网金融科技
--互联网金融科技
-数据智能的三个案例
-技术展望
--技术展望
-陈彧:美团点评金融服务的大数据与人工智能——课后习题
-数据的进化历程
--数据的进化历程
-阿里DMP平台介绍
-核心技术及案例
--核心技术及案例
-数据应用
--数据应用
-毛波:阿里全息大数据构建与应用——课后习题
-在线营销
--在线营销
-竞价机制
--竞价机制
-数据价值
--数据价值
-韩定一:在线营销中的竞价机制与数据价值——课后习题
-竞价排名搜索
--竞价排名搜索
-主要技术问题
--主要技术问题
-点击率预测概述
--点击率预测概述
-点击率预测实践
--点击率预测实践
-龚笔宏:大数据在工业界中的经典案例分享——课后习题
-即时配送业务的背景及挑战
-案例1:订单分配策略
-案例2:供需平衡策略
-未来展望
--未来展望
-郝井华:即时配送中的人工智能——课后习题
-什么是数据驱动营销
-LTV留存分析
--LTV留存分析
-RFM会员体系
--RFM会员体系
-消费者微群画像
--消费者微群画像
-渠道倾向性分析及行业竞争分析
-机器学习潜客挖掘模型
-- 机器学习潜客挖掘模型
-陈辉:数据驱动营销——课后习题
-金融大数据时代
--金融大数据时代
-大数据客观信用
--大数据客观信用
-我国的金融环境
--我国的金融环境
-客观信用的实践
--客观信用的实践
-应用案例与成果
--应用案例与成果
-艾小缤:大数据评价体系在金融、征信领域的创新——课后习题
-外部链接
--外部链接