復(fù)盤一個(gè)在京東做的熱門召回策略設(shè)計(jì)方法

在推薦系統(tǒng)當(dāng)中有一個(gè)經(jīng)典的問題：EE問題。

EE具體是指：Explanation和Explorer。

這兩個(gè)實(shí)際上對(duì)應(yīng)了衡量推薦系統(tǒng)做的好壞的兩個(gè)核心指標(biāo)：可解釋性和探索性。

直白點(diǎn)講：可解釋性是指為什么給用戶推薦這個(gè)item，它是有理由的，一定程度上代表了推薦系統(tǒng)的準(zhǔn)確性；探索性是指如何基于推薦結(jié)構(gòu)來挖掘更多用戶潛在的興趣點(diǎn)，一定程度上代表了推薦系統(tǒng)的新穎性，有時(shí)候也叫驚喜度。

準(zhǔn)確性我們通常能夠通過更精準(zhǔn)的用戶畫像來保證，那么新穎性怎么保證？

熱門召回策略就是是一個(gè)很好的方法，用來挖掘用戶潛在的偏好點(diǎn)。

所謂的熱門召回通常是指基于特定維度下去計(jì)算每個(gè)item的得分，一般命名為熱度得分，得分越高，表明在平臺(tái)的熱度越高，按照熱度選出TopN的item。

比如：

對(duì)于商品我們可以衡量商品的銷量，好評(píng)，下單轉(zhuǎn)化，點(diǎn)擊轉(zhuǎn)化，優(yōu)惠力度等等；

對(duì)于短視頻我們可以衡量短視頻的播放量、點(diǎn)贊量、收藏量，完播率，點(diǎn)贊率，轉(zhuǎn)發(fā)率等等。

當(dāng)然，需要特別注意的是，在選取表征每個(gè)item熱度的特征時(shí)候，要盡量能反映商品的真實(shí)熱度，同時(shí)給與不同的權(quán)重。例如，對(duì)于一件商品來說，下單率比點(diǎn)擊率往往更能反映買家對(duì)商品的喜愛程度，較高點(diǎn)擊率而較低下單率的商品可能存在標(biāo)題黨問題；同樣對(duì)于一個(gè)視頻，完播率可能更重要些。

還需要注意的是，不同的商品由于推薦系統(tǒng)分發(fā)策略的問題存在曝光量不同甚至差別很大的情況，因此直接比較各種指標(biāo)會(huì)存在公平性問題。比如薯片銷量為10W和電腦銷量為100臺(tái)明顯不具有可比性，在實(shí)踐中，通?？梢圆捎脷w一化的方法，使得各商品間指標(biāo)具有可比性。

這個(gè)我們上上周的視頻號(hào)直播提到了，感謝興趣的可以回復(fù)【數(shù)據(jù)能力直播】，觀看回放。

接下來，給大家重點(diǎn)介紹一種我之前在京東做過的熱門召回中熱度計(jì)算的策略，用在其他類型的業(yè)務(wù)其實(shí)也可以。

基于牛頓冷卻定律

牛頓冷卻定律是指我們?cè)谖锲窡岫扔?jì)算當(dāng)中增加了時(shí)間衰減因素，進(jìn)而使得熱度計(jì)算更加合理，一定程度上能夠減輕基于得分排序的一些不良問題，比如馬太效應(yīng)。

熱度分 = 初始熱度分 + 用戶交互產(chǎn)生的熱度分 – 隨時(shí)間衰減的熱度分

其中:

S0:按照商品類別給予商品不同的初始熱度，讓用戶關(guān)注度高的類別獲得更高的初始熱度分，從而獲得更多的曝光，通常會(huì)參考商品本身的特征，比如上面提到的銷量（sale），好評(píng)（comment），下單轉(zhuǎn)點(diǎn)擊轉(zhuǎn)化（CXR），優(yōu)惠力度（discount）。這樣我們就能夠得到商品本身的初始熱度：

S0=W1*saleScore+W2*commentScore+W3*CXRScore+W4*discountScore

S（Users）:對(duì)于單個(gè)商品，用戶可以點(diǎn)擊閱讀(click)，收藏(favor)，分享(share)，評(píng)論(comment)這四種行為，我們?yōu)椴煌男袨橘x予分?jǐn)?shù)，就能得到商品的實(shí)時(shí)用戶行為分為:

S(Users) = W1*clickScore + W2*favorScore + W3*commentScore + W4*shareScore

牛頓冷卻定律: 本期溫度 = 上一期溫度 x exp(-(冷卻系數(shù)) x 間隔的小時(shí)數(shù))

相應(yīng)的我們可以在熱度計(jì)算當(dāng)中加入時(shí)間的因素：

T(Time) = e ^ (k*(T1 – T0)) 其中T0是商品發(fā)布時(shí)間，T1是當(dāng)前時(shí)間。

以上就是之前常用的一種熱度策略的設(shè)計(jì)方法。