广州专业网站建设价格,万能搜索引擎,网站内的搜索怎么做的,大数据营销软件0.召回方法
词召回
swing、itemCF
缺点#xff1a;
有冷启动问题不是全局召回#xff0c;冷门活动难以得到召回结果容易召回过多的头部热门活动
向量召回
参考文献#xff1a;
经典推荐算法学习#xff08;七#xff09;| Graph Embedding技术学习 | 从DeepWalk到No…0.召回方法
词召回
swing、itemCF
缺点
有冷启动问题不是全局召回冷门活动难以得到召回结果容易召回过多的头部热门活动
向量召回
参考文献
经典推荐算法学习七| Graph Embedding技术学习 | 从DeepWalk到Node2vec、EGES | 附DeepWalk PySpark实现 - 知乎
经典推荐算法学习十三| 常见推荐召回算法梳理 - 知乎
FMItem2vecYoutube向量召回Graph Embedding-EGESAirbnb向量召回双塔召回
问题
1.如何评价召回测
1recall、precison、F1
2NS-recall、NS-precision、NS-F1:
3覆盖率简单理解覆盖率就是荐系统能够推荐出来的物品占总物品的比例。由于热门物品占据大量曝光可能会让很多物品处于不被曝光的状态这个就是长尾效应。覆盖率是对针对解决长尾效应的一个常用指标。
2.如何摸底召回的上限
推荐系统中的召回模块决定着推荐效果的上限那么怎么评价召回模块做好了呢 - 知乎
实际是问召回的评估方法也可以用下列方法
1竟对评估利用结果倒推召回测问题
2随机人工标注数据从各大平台找到理想结果然后回退到召回阶段进行分析
3.召回后续TODO
参考文献从二值检索到层次竞买图——让搜索广告关键词召回焕然新生
1多场景数据融合比如将搜索和推荐数据进行融合
2由于深度学习有可解释性和结果可控性问题召回通路需要以不同目标进行召回。不同目标的召回通道间配额需要结合流量价值、用户意图倾向、系统算力等多方面因素进行动态分配是一个结合更多下游策略来考虑的问题。
3我们欢欣鼓舞在各召回通道上迭代模型涨了离线Recall/Hitrate往往因为指标辛普森悖论、通道间重叠、下游打分偏差等原因无法为大盘带来明显的竞价集合与效果变化。因此未来关键词召回业务的着力点将聚焦在全链路排序的目标一致性上。将搜索广告系统看作一个计算图召回阶段作为最上游的“召回Op”需要捕捉更多下游“预估Op”、“机制Op”反向传播的“梯度”来动态修正召回阶段的检索能力扩展更多维度的算法评价指标为下游供给多样性充分、广告主竞争相对平等的广告集合为直通车业务的高质量发展添砖加瓦。
4召回阶段拟合精排阶段的顺序
