摘要： 推荐规则经过了人工规则千人一面，到线性模型，再到非线性模型（树型、根据上下文千人千面），如今已经演进到深度学习（强化与在线学习）。 一、特征构建 跨越人工规则之后，特征构建是个性化的基础，特征构建包含两部分用户特征和商品特征： 用户特征 人口统计学特征：不限于年龄、性别、地域、职业、人生阶段等等 购 阅读全文

摘要： 召回是当需要为用户展示内容时合理的提供物料，包含物料的类型及排序。召回需要根据召回所在场景的运营目的，提供合适的物料以供达到目标，例如购物车会推荐与加购商品相似的商品以供比对价格或展示与加购相关的商品以提高购买额，因此购物车场景下召回的核心是计算两两相似性。因此召回根据场景不同涉及如下指标：流行、多 阅读全文

摘要： 一、列表 有序，没有固定大小，[a1,a2,a3...] X=[a]*4,创建4个指向List的引用，一旦a改变，X中4个a也随之改变。 列表操作 附加：append、extend list.append（ojb） append是追加，把obj整体添加在list后。而extend是扩展，把obj中的 阅读全文

摘要： 三元运算符：X if 条件 else Y 【in/not in】vs【is/is not】vs 【==/！=】 is 比较的是内存地址 == 比较变量值，注意和Java中==的区别。 dir（class）：类class的方法 bool（X）：当X是数值变量，0/0.0 为False。当X是容器变量， 阅读全文

摘要： 一、假设 以下假设的成立是做个性化推荐落地的逻辑基础 历史行为代表用户的兴趣 群体偏好可作为用户初始兴趣 好商品和相关商品总是会被用户经常点击和购买 二、流程 I2I数据生成：收集行为并赋予其权重，使用协同过滤内容算法计算商品与商品的相似性 候选商品找回：通过近期行为，捞取相似商品 排序：点击率预估 阅读全文

摘要： 前推荐时代 在产品的初期，通过冷启动进行推荐。这时的推荐功能简单，一般是全局推荐，推荐服务逻辑较轻，没有个性化千人一面，从而容易引起马太效应。推荐策略一般由人工定义或人为定制策略，通常使用实时热点的内容，利用自然排名（热快全等等维度、排序因子计算多重维度综合指数）规则排序进行展示，其中人为定制策略可 阅读全文

摘要： 科学系统的业务优化体现在有数据支撑的正向循环上：聚焦关注北极星指标，不断向下挖掘--通过挖掘数据发现问题或隐藏机会点--寻找方案进行迭代--关注数据表现来验证方案合理性--......。 当通过ABtest进行优化方案验证的过程中，几个关注要点： P-Value：表示某事件发生的概率，很重要 假设检 阅读全文

摘要： 数据可分为以下几个维度： 用户维度：分为显式、隐式 物料&表现数据维度 其他数据 数据经过以下过程逐步凑体现出业务利用价值： S1-采集 采集的数据包括结构化和非结构化两种，是正确的业务建模、高效工程的基础。其中最重要的一部分是埋点数据，埋点的数据要经历ETL清洗、数据整合、报表呈现等过程才能进入下 阅读全文

摘要： 一、模型设计要求（三个范式）： 第一范式：字段都是单一属性，不可再分。 第二范式：表中不存在非关键字段对任一候选关键字段的部分函数依赖。所有属性都依赖主键。 第三范式：表中不存在非关键字段对任一候选关键字段的传递函数依赖。 二、模型设计过程： 概念模型：抽象业务，划分主题域。一般划分为：客户、服务、 阅读全文

摘要： 今年所在公司打算做出一套适用于特定一个行业的微信生态内推荐体系，基于为甲方爸爸的长期服务经验，判断当前的微信内容需要推荐体系支撑来做精细化运营。在着手进行竞品分析和产品设计前，和曾经淘宝推荐体系的开发人员取了取经，整理了下大神的文章作为后面产品设计开发的知识铺垫。以下内容，均出自知乎各位牛人的文章， 阅读全文