知识卡片
搜索求快走推荐求久留
同一个「好」字,在两侧指向相反的用户行为。
搜索:用户带着任务来,最好的结果是让他尽快带着答案离开。所以排序要把最好的放前面,指标围绕「相关结果是否排在前面」——nDCG(归一化折损累计增益,按结果位置对相关性做折损累加,越靠前的命中贡献越大)、Precision-Recall(准确率与召回率)。在这里,停留时间短是成功信号。
推荐:用户没有明确任务,系统希望他被内容吸引、停留更久、产生持续动作。指标面更宽:Top N 推荐常用 MAP 或 CTR,评分预测问题用 RMSE 或 MAE;结果出现的数量、位置和场景都更复杂,单一指标很难覆盖。在这里,停留时间长是成功信号。
推论一:两侧指标不可互换。拿搜索指标评推荐,会奖励「一次命中」,把推荐推向只推已知兴趣,加剧马太效应——点击集中在头部、长尾被遗忘,长期造成潜在客户流失。推论二:搜索指标衡量排序质量,推荐指标衡量兴趣挖掘深度,前者优化方向是「少打扰」,后者是「多试探」。参见 [[意图是否明确,决定了输入是什么]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 第2章 搜索系统和推荐系统常识 · 查看原书依据
搜索引擎的排序算法需要尽量把最好的结果放到前面。总而言之,“好”的搜索算法需要让用户获取信息的效率更高,停留时间更短。搜索引擎常用的评价指标有:归一化折损累计增益(nDCG)、精准度–召回率(Precision-Recall)等。
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/part0035.html)
- 结论依据:原文明确「好」的搜索算法要让用户效率更高、停留更短,并列出 nDCG 与精准度–召回率,与推荐追求停留时长形成直接对立。
- 原始内容:搜索引擎的排序算法需要尽量把最好的结果放到前面。总而言之,“好”的搜索算法需要让用户获取信息的效率更高,停留时间更短。搜索引擎常用的评价指标有:归一化折损累计增益(nDCG)、精准度–召回率(Precision-Recall)等。