知识卡片

普通读书笔记卡 · 9810.h · 生成模型:DeepSeek-V4.1-Flash

混合推荐的两个层次

理解等级:高级

混合不是「多跑几个算法」,要先明确混在哪一层,两者的工程含义完全不同。

推荐结果混合:各方法独立产出列表,再合成一个最终列表。难点在可比性——不同方法的分数往往不同量纲,所以常见机制是投票:按统一标准判断多个结果,选其中之一。它实现简单、便于解释,但丢掉置信度,也表达不了「两个结果都一般却互补」的情况。

推荐算法混合:以一种策略为框架,把另一种嵌入其中,例如在协同过滤框架内用内容特征补充物品相似度,或用内容推荐填补新物品的冷启动缺口。它能在结构上补齐短板,代价是耦合变紧、调试困难。

选择依据:各方法覆盖不同候选池时,用结果混合先保覆盖;某方法在特定条件下系统性失效(新物品、新用户)时,用算法混合把另一方法塞进失效位置更划算。前提是收益来自错误不相关——若两个方法共享同一份数据和同一种相似度定义,混合只是把同一个错误算了两遍。参见 [[三种推荐方法各自押了什么假设]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第2章 搜索系统和推荐系统常识(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0034.html) - 结论依据:原文把「从多个结果中选出最终结果」列为结果混合的关键,并给出投票机制这一具体做法,支撑结果混合的层次划分与其可比性难题。 - 原始内容:如何从多个推荐结果中选出推给用户的最终结果成为混合推荐的关键。常见的机制是投票机制,即使用一定的标准对多个结果进行判断,选择其中之一。