← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9817.b · 生成模型:DeepSeek-V4.1-Flash

惊喜新颖信任不是一回事

理解等级:中级

用户维度的六个指标都带主观色彩:准确度(推的是不是用户需要的)、惊喜度、新颖性、信任度、多样性、体验流畅度。其中准确度指用户的主观感受,与系统维度里那个「算法预测准不准」的客观准确度可以一致,也可以不一致。

最容易混的是惊喜度与新颖性。惊喜度指推荐的东西与用户历史喜欢的物品完全不相似、用户却喜欢,靠的是跳出兴趣邻域、超出预期;新颖性指推的是用户本该感兴趣但此前不知道的内容,靠的是补上信息盲区,兴趣方向并没有变。举例:用户爱听某歌星的歌,系统推了一部他没听说该歌星参演的电影而他确实喜欢——这是新颖;系统推了一首风格迥异的歌而他喜欢——更接近惊喜。

信任度则是长期量:用户认可推荐结果才会持续点击、持续回来,它衡量的不是单次命中。

边界:惊喜度与新颖性都会压低短期点击率,用户对陌生内容天然谨慎。若只用点击率做在线指标,这两项会被系统性压到零,必须单独留出指标位或靠主观调查补。[[三种范式各自的准确度]]

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

    • 第9章 推荐系统的评价 · 查看原书依据

      新颖性指推荐给用户一些应该感兴趣但是不知道的内容。比如,用户非常喜欢某位歌星的歌曲,如果推荐给他一部电影,假设用户从未听说该歌星演过电影,且用户确实喜欢这部电影,那么当前的推荐就属于新颖推荐。

    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9章 推荐系统的评价(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/part0121.html) - 结论依据:原文用「本该感兴趣但此前不知道」定义新颖性,并举了歌星跨界电影的例子,正是把它与「跳出相似性」的惊喜度区分开的依据。 - 原始内容:新颖性指推荐给用户一些应该感兴趣但是不知道的内容。比如,用户非常喜欢某位歌星的歌曲,如果推荐给他一部电影,假设用户从未听说该歌星演过电影,且用户确实喜欢这部电影,那么当前的推荐就属于新颖推荐。