物品冷启动评价指标
物品冷启动目标
- 精准推荐：新物品的推荐效果往往比较差
- 激励发布：新物品得到较多流量后，更容易激励作者。
- 挖掘高潜：从新物品中挖掘高质量物品。
评价指标
- 作者指标：发布渗透量、人均发布量等
- 用户指标：新笔记的交互率、大盘指标（比如日活、月活、时长）
- 内容指标：新物品中的高热笔记占比
简单的召回通道
冷启动难点
- 物品缺少与用户交互行为，难以学好表征向量
- 缺少用户交互，ItemCF不适用
双塔模型改造
- 新物品共用同一个ID，使用default embedding
- 利用相似物品embedding向量，topK个相似的高曝光物品embedding向量均值
类目&关键词召回
聚类召回
通常直接使用向量数据库工具存储物品向量，比如FAISS等，无需自己实现聚类、索引和查找功能。
基本思想
- 事先训练一个神经网络，基于物品的类目和图文内容，把物品映射到向量。
- 对物品向量聚类，记录每个类中心向量。
聚类索引
- 给定一个新物品，用模型将其映射到一个向量
- 从类中心向量中查找属于哪个类，得到类中心向量
- 建立新物品与这个类中心向量的索引
内容相似度
模型结构
损失函数
样本选取
- 正样本：与高曝光且二级类目相同的笔记组成正样本全集，然后用ItemCF选择相似度高的正样本。
- 负样本：随机挑选，只要字数多、质量高就好。
Look Alike召回
思想：找到种子用户相似的潜在用户。
用户相似度
- UserCF
- 两个用户的Embedding相似度
小红书召回新物品
- 把有交互的用户作为新物品的种子用户
- 找到种子用户的相似用户，然后扩散此新物品
找到相似用户
近线更新新笔记的用户向量表征
在线召回
来一个用户，用此用户向量从新物品的用户表征向量中查找最近邻，返回对应的新物品。
流量调控
业界做法
- 在推荐结果中强插新物品
- 对新物品的排序分数做提权（boost）
- 通过提权，对新物品做固定保量
- 差异化保量，根据新物品的质量决定保量目标。
新物品提权
干涉粗排和重排模块。
缺点：曝光量对提权系数敏感，不好精确控制曝光量。
新物品保量
无论质量如何，保证一定时间内曝光一定次数。上线前制定好提权系数与曝光时间和次数策略表，在线实时获取提权系数。
动态提权保量
根据目标时间、目标次数、已发布时间和已曝光次数动态计算提权系数。
为什么不用暴力提权？
好处：分数提升多，保量易满足
坏处：把物品推荐给不合适的人群反而影响后续效果
差异化保量
在动态提权基础上，用模型评价模型质量，额外增加保量次数；或者根据作者质量，额外增加保量次数。
AB测试
标准的AB
作者侧 方案一
作者侧 方案二
参考文献
公开课地址：GitHub
本文永久更新地址: https://notlate.cn/p/3af1eb0c0612632c/