h
2020-11-25 15:31:35 阅读（185）
1、MatchMatch是一种有效而丰富的召回。根据用户的行为和属性信息，从所有商品（包括feed和视频等）中触发尽可能多的正确结果，并将结果返回Rank。不同的推荐和搜索，用户的Match召回在没有明确Query接触的情况下尤为重要，希望相关信息尽可能丰富。因此，Match面临着整个商品库的集合，因此有必要保留尽可能多的相关结果，消除相关性较弱的结果，减轻对后续链接的压力。因此，需要综合利用用户信息(年龄、性能、购买力等)。)、类别信息、店铺信息、文本信息等。既要保证高召回率，又要保证高准确率。Match结果的质量对整个结果有重要影响。Match召回策略主要包括两类：基于内容匹配的召回和基于协同过滤的召回。前者主要基于用户的肖像信息和商品的内容信息进行匹配召回。这样召回率高，但精度差，更适合冷启动的语义环境。后者主要基于用户与商品之间的行为矩阵，通过一系列策略获得用户与候选商品之间的相关性；这种方法精度高，但存在一定程度的冷启动问题。协同过滤是目前推荐依赖的基本策略。第二，RankRank是一个精确的排列，通过准确的估计模型对Match阶段海选的产品进行准确的评分，并根据评分结果进行排序和切断，从而确定最终向用户显示的结果顺序。Rank模型的两个要素是特征抽取和评分模型学习训练。特征提取的第一步和最重要的一步是清洁日志。曝光日志可以通过日志埋点过滤，并结合更准确的用户行为日志，如搜索、点击和收集Item_id维度的聚合最终构建了两个日志Join作为用户特征样本。除了user______________________id,item_id,user的年龄、性别等人群特征具有小时或分钟回流的准实时反馈特征，还包括user端和item端的双向交叉特征，如user在不同类别下的偏好、item在不同性别年龄购买力人群下的cter等。除了用户的实时特征外，还将对离线模型的日志和特征进行访问、预处理和离线特征进行统计，作为实时特征的补充。长期兴趣的统计特征的准备和各种平滑的过滤逻辑为数据侧提供了保证。评分模型主要分为CTR和CVR预测模型，在展示商品之前，结合用户的历史行为&商品&场景信息，估计用户在显示商品后是否会点击，或点击后是否会购买，以便在Rank中有不同的CTR和CVR倾向。目前，成熟的排名模型是多维分数整合排名，获得CTR预测、CVR预测、单价和商品毛利润等多维预测分数，并根据业务指标进行调控，计算最终RankScore。三、End推荐算法是Match与Rank的联动协调。当用户Match模型召回的内容较少时，Rank排名没有太大的发挥空间。当用户行为丰富，更容易获得召回时，Rank排名可以发挥更大的作用。
以上就是关于推荐算法是Match与Rank的联动协同的相关介绍，更多推荐算法是Match与Rank的联动协同相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对推荐算法是Match与Rank的联动协同有更深的了解和认识。
推荐阅读
最新文章
猜你喜欢以下内容:
一 客户顾问-张三 一
