推荐系统--召回

怎么衡量一个召回系统的好坏

召回算法的衡量虽然有一些通用的衡量指标，比如准确度，覆盖度 F1等，但是在实际应用中，一般会和自己的应用场景和业务指标挂钩，

通过一些更贴合实际的指标去衡量：

由于是新闻推荐，而且是从零到一实现整个推荐系统，因此我们的推荐和NLP 一开始就密切的联系在了一起，

并且一直伴随着我们的持续优化过程。从开始到现在，按照时间顺序，依次实现了如下算法：

 一路有效的召回算法从想法的产生，到最后上线并起作用大致要历经一下各态

大致一个月一路召回模型 ：

结束语

由于我们是图文类型的新闻推荐，NLP和召回算法相伴而生，在做召回的过程中也完成了一些基本的NLP基础建设，具体如下：

在做召回算法的过程中，一些经验：个人认为贴合业务场景的可落地的创新想法，比盲目追求paper 上的模型更有效，自己能够全流程控制的可解释的模型比盲目使用一些黑盒模型要好，

再就是如果能跨行业融汇贯通，把生物学，进化论，自动控制，哲学上的一些理论，活学活用到推荐领域也会起到意想不到的作用。

 

 

作者：腾讯技术工程
链接：https://zhuanlan.zhihu.com/p/139256086

推荐系统--召回

原文：https://www.cnblogs.com/Allen-rg/p/13819922.html