推薦系統從海量數據中挖掘用戶喜歡的內容，滿足用戶的需求。要想做到“千人千面”的同時，又能做到“精準推薦”，一個健康的推薦系統是必不可少的。

就像爲了自己的健康去體檢，推薦系統也有自己的健康指標，不同的業務、不同的場景、不同的階段都有不同的指標，所以選擇好的評估指標以及合適的評估方式，才能讓推薦系統更加“健康”。

推薦系統的常見指標

推薦系統的評價指標，要從解決實際問題的角度來思考，好的推薦系統，不僅要保證自身的“健康”，還要滿足服務平臺、用戶等多方面的需求。

圖1：推薦系統基礎流程

1. 用戶角度

用戶最重要的需求是更方便、更快速的發現自己喜歡的產品，爲了滿足用戶的需求，推薦系統可以從以下幾個方面評估。

• 準確度：準確度更多的是用戶主觀感受，評估的是推薦的物品是不是用戶喜歡的，比如推薦的視頻，用戶觀看了，推薦的商品，用戶加入購物車或者購買了，都可以用來衡量用戶的喜好程度。
• 驚喜度：推薦的物品讓用戶有耳目一下的感覺，可以給用戶帶來驚喜。比如推薦用戶想不起來名字的音樂、電影，或者用戶知道功能不知道名字的商品等等，這種推薦和用戶的歷史興趣不一定相似，但是用戶很滿意，超出了用戶的預期。
• 新穎性：給用戶推薦沒有接觸過的東西，推薦出的商品不一定是用戶喜歡的，但是可以提升用戶的探索慾望，從而獲取更完整的用戶興趣。
• 多樣性：人的興趣往往是多種多樣的，給用戶推薦多種類目的物品，可以挖掘用戶新的興趣點，拓寬用戶的興趣範圍來提升用戶的推薦體驗。

2.平臺角度

平臺方給用戶提供物品或者信息，不同平臺獲取利潤的方式不同，有的通過會員盈利，有的通過商品盈利，大部分的平臺都會通過廣告賺錢。所以對於平臺方來說商業目標是最重要的目標之一，通常來說有兩類值得關注，一個是內容滿意度，一個是場景轉化率。

1) 內容滿意度 ：業務場景不同，內容滿意度的指標也隨之變化，主要是通過用戶對產品的不同行爲了來衡量，下圖的例子分別說明了不同領域的內容滿意度的一些衡量指標。

圖2：內容滿意度評價指標

2) 場景轉化率 ：轉化率是比較直觀的指標，給用戶進行推薦，是希望用戶對推薦的內容有所行動，比如常見的點擊行爲、點贊行爲等。

• pv點擊率（點擊量/pv）：比較經典的指標，能粗略的衡量轉化效果，但是少數用戶貢獻大量的點擊會掩蓋這個指標的真實性。
• uv點擊率（點擊率/uv）：與pv點擊率相比，該指標不會因爲重複瀏覽某個產品而受影響，能記錄用戶在一個完整週期的點擊效果。
• 曝光點擊率（點擊量/曝光次數）：比較適合信息流這種支持上拉/下拉翻頁的產品，曝光次數隨着用戶刷屏次數增加而變大，能更真實的記錄每一屏的轉化情況。
• uv轉化率（轉化次數/點擊量）：衡量用戶的轉化情況，能把多大比例的用戶從一個場景轉化到另一個場景去。比如視頻App首頁，一般用戶在點擊某個視頻後，會進入詳情頁繼續操作，而不是返回首頁，用uv轉化率更加合理。
• 人均點擊次數（點擊量/點擊uv數）：每個用戶點擊的次數，與uv轉換率相輔相承，可以評價用戶的深度，uv轉化率評價用戶的寬度。

（注：pv：訪問頁面的次數；uv：訪問頁面的人數）

圖3：推薦系統評價階段

1. 準確度

準確度的評估主要是評估推薦算法模型的好壞，爲選擇合適的模型提供決策支持。推薦系統也像其他機器學習一樣，把數據劃分爲訓練集和測試集，使用訓練集學習訓練模型，通過測試集來衡量誤差以及評估準確度。根據推薦系統的目的不同，準確度的衡量也有不同的指標。

• 分類問題：比如點擊、不點擊或者喜歡、不喜歡就可以看成分類問題，分類問題的指標主要是精確度（Precision）和召回率（Recall），精確度描述的是推薦結果有多少是用戶喜歡的，而召回率描述的是用戶喜歡的產品，有多少是推薦系統推薦的。當然，我們希望這兩個指標都越大越好，但是實際情況，都需要平衡這兩個指標的關係，所以常用的F-指標就是一種常用的平衡二者關係的計算方式。
• 評分預測：對產品進行評分，比如電影評分，常用的準確度指標主要有均方根誤差（RMSE）、MAE（平均絕對誤差），二者之間主要是計算方式的差別，都是描述算法的預測評分和產品真實評分之間的差距。
• 排序問題：分類和評分預測問題，只是把可以推薦的產品篩選出來，但是並不包含展示給用戶的順序，我們當然希望把用戶最可能“消費”的產品放在前面，這就需要排序指標。其中最常見的離線指標是AUC，簡單的說，AUC代表的是隨機挑選一個正樣本和一個負樣本，正樣本排在負樣本前邊的概率。所以當算法能更好的把正樣本排在前邊的時候，就是一個好的算法模型。其他常見的算法指標，比如MAP，描述的是推薦列表中，和用戶相關的產品在推薦列表中的位置得分，越靠前得分越大，MRR是按照相關產品的排名的倒數作爲準確度，NDGG描述的是推薦列表中每一個產品的評分值的累加，同時考慮每個產品的位置，最後進行歸一化，在同一標準上評價不同的推薦列表。

2. 覆蓋率

覆蓋率描述的是推薦出的產品佔總產品的比例，除了產品之外，類目、標籤也可以用覆蓋率來評價。

3.   多樣性

用戶的興趣不是一成不變的，而且有些產品的用戶不止一個，同一用戶的興趣也會受到時間段、心情、節日等多種音速的影響，所以推薦時要儘量推薦多樣的產品。在具體的多樣性評價上，可以通過對產品聚類，在推薦列表中插入不同類別的產品來提高多樣性。

4. 時效性

不同產品的時效性是不同的，比如電商類需要的時效性不是很高，但是新聞、資訊、短視頻這類產品，就需要很高的時效性，所以針對不同產品甚至產品下不同的類目，設置不同的時效性，也是提高推薦質量的途徑之一。

1.   觸發推薦服務

• 穩定性：系統的穩定性對於用戶的體驗至關重要，怎樣能針對不同的場景持續穩定的提供推薦服務，是推薦系統最重要的指標之一，提高推薦效果，也要在保證系統穩定性的前提下去進行優化。

• 高併發：當某個時間點有大量用戶訪問，或者用戶規模很大時，推薦系統能否扛住高併發的壓力也是一個很大的挑戰，所以設計一個高併發的系統，瞭解不同接口的高併發能力，做好充分的壓力測試，也是推薦系統能否穩定提供服務的重要內容。

• 響應時間：響應時間衡量用戶是否能夠及時得到推薦反饋，響應時間會受到多種因素的影響，比如網絡情況、服務器、數據庫等，可以通過監控請求的時長，做好超時報警，同時在生產推薦結果時優化計算方式、簡化生產過程，儘可能的規避響應時間帶來的影響。

2. 產生行爲

這一階段主要是用過用戶產生行爲，通過收據分析用戶的行爲日誌進行相關指標的評價。這一階段更多的是考慮平臺角度，從商業化指標以及用戶行爲指標等方面進行評價。比如轉化率、購買率、點擊率等都是常見的行爲指標，一般用戶行爲符合漏斗模型（例如，推薦曝光-點擊-閱讀-分享），通過漏斗模型可以直觀的描述不同階段之間的轉化，提升用戶在不同階段之間的轉化。

圖4：用戶行爲漏斗模型

圖5：AB測試流程

1.   什麼是AB測試

AB測試的本質是對照試驗，其來源於生物醫學的雙盲測試，通過給兩組病人不同的藥物，來確定藥物是否有效。在推薦系統中，AB測試也採用了類似的概念：將不同的算或者策略，在同一時間維度，分別在兩組或者多組組成成分相同的用戶羣體內進行線上測試，分析各組的用戶行爲指標，得到可以真正全流量上線的算法或者策略。

2.   AB測試的常見做法

AB測試應該怎樣進行呢？其中最重要的是“控制變量”、“分流測試”和“規則統一”。

• 控制變量：AB測試必須是單變量的，變量太多，變量之間會產生干擾，很難找出各個變量對結果的影響程度。在推薦系統中，AB測試的唯一變量就是推薦算法或者策略。
• 分流測試：AB測試作爲對照試驗，自然有實驗組和對照組。通常狀況下會對用戶進行分流，很多用戶都會訪問同一個app或者web多次，所以根據用戶進行分流是一個很好的方案，在對用戶進行分流時，可以通過用戶ID，設備號或者瀏覽器cookie。對於未登錄用戶來說，跨設備訪問app或者web，就會產生不同的標識，所以對於未登錄用戶，最好能保持實驗組和對照組有相同的比例。不同的用戶在一次瀏覽過程中，體驗的應該是一個方案，同時需要注意不同流量之間的人數，大多數情況希望所有用戶平均分配。
• 規則統一：在控制變量和分流測試的前提下，針對不同的流量，應該制定相同的評價指標，才能得到準確的對比效果。

相關文章