编码后的特征值可以做为入参来生成预测模型

用户—>“物品”—>物品

该途径中心加入了“物品”，该“物品”与用户有某种相关的联系，最常见的便是用户消费过该“物品”。根据这个联系，又可以延伸出两种常见的匹配方法：

a、让物品等于“物品”，即给用户引荐他曾经消费过的物品。这种计划尽管简略，但运用场景有限，仅在生鲜电商、音乐这类需重复消费同一物品的渠道运用较多；

b、让物品类似于“物品”，即给用户引荐他曾经消费过的类似物品，这儿触及类似度的核算（余弦类似度、jaccard定理），感兴趣可进一步了解根据物品的协同过滤（Item-CF）。这种计划体系程序不算杂乱，偏核算核算。别的这种计划下，由于会不断得给用户引荐他感兴趣的类似且不重复的物品，因此合适物品丰厚且用户个性化需求激烈的渠道，比方电商和内容渠道；

用户—>“用户”—>物品

该途径中心加入了“用户”，该“用户”与用户有某种相关的联系，常见有：

a、用户和“用户”是老友联系，即给用户引荐他的老友消费过/出产的物品，比方微信视频号在冷启动阶段便是偏重运用了这一计划；

b、用户和“用户”是关注联系，即给用户引荐他的关注的账号消费过/出产的物品，这种计划在内容、社区渠道运用广泛；

c、用户和“用户”是类似联系，即给用户引荐与他类似的用户消费过的物品，这儿也触及类似度的核算，感兴趣可进一步了解根据用户的协同过滤（User-CF）。这种计划下，由所以提前核算好用户之间的类似性，只要新物品一旦被某个用户消费，该物品就会立即被引荐给其他类似用户，对新物品非常友爱，因此合适物品更新速度快且用户个性化需求不那么激烈的渠道，比方新闻类渠道。

（4）用户—>概念—>物品

该途径中心加入了概念，这儿的概念是从用户或物品中提取出的抽象的东西，常见有：

a、标签，是一种事务上可解释的概念，比方某个长视频带有综艺、沈腾、喜剧等标签。前期一般由人工对物品进行提取，当积累必定数据量后也可由机器学习主动提取。然后假如某个用户常常消费某个标签的物品，那该用户也会通过数据核算的方法，被打上该标签偏好，所以会给用户引荐他所偏好的标签物品。这种计划和前面的物品类似于“物品”其实是同一种思维；

b、向量，是一种事务上不可解释的概念。前面说到的“物品”、“用户”、标签，都是为了让用户和物品之间树立联系。从技术的视点，也可以根据历史的用户行为数据，为用户和物品之间构建联系，仅仅中心的这个连接点由隐向量K来完成（Embedding、隐向量模型/隐语义模型（LFM）/矩阵分化模型、双塔模型）。比较前面说到的计划，这种计划能在必定程度上处理用户-物品矩阵数据稀疏的问题，但中心思维一致；

c、特征，是一种事务上可解释的概念。特征和标签的主要区别在于，标签更多是描写物品和用户的静态特点，而特征是万物皆可描写，你可以这样了解，只要是渠道的数据资源，均可转化成特征，比方单特征（静态特点、请求特点、画像）、衍生特征（占比、转化率）、穿插特征（穿插特征有时是为了拓展特征量，不必定具有事务含义）、实时特征（接口入参）。

那特征可以用来干什么呢？编码后的特征值可以做为入参来生成预测模型（逻辑回归、决策树算法、深度学习），预测前面说到的一切用户中心目标，比方点击率、转化率、逗留时长等。这种计划在体系程序上最杂乱，数据资源要求也非常高，但作用也是最佳的。

别的，匹配途径的作用评估，除了上线后看用户的行为目标外（裁判员给分），也需求在上线前评估这些途径的作用（教练员给分）。以上所说到的协同过滤、隐语义模型、逻辑回归等均属于分类使命，针对分类使命，常见的离线作用目标有混杂矩阵（召回率、精准率、准确率）、AUC等。

4. 找到“更好/足够好”的物品后，怎么更有用得呈现在用户面前

为用户找到物品，使命还远没有结束。咱们前面完成的使命是：在每一个人进来房间后给他找到他喜爱的物品。但是，找多久呢？物品呈现足够明晰吗？用户拿取便利吗？等。究竟评价引荐体系的中心目标是用户行为，咱们一切的设计需求为相关目标的达到所服务。

这儿展开谈谈找多久的问题。移动互联网用户体验的及格线大致0.5秒，也便是等人一来，程序最多只能转0.5秒，就得把物品给出来。

在前面说到的匹配途径，咱们说到特征那里作用是最好的，但是由于其模型杂乱，假如只采用这个计划，等程序转出来，用户早就对你say byebye了。因此，为了确保作用，又确保程序转得快，构架采用了召回层——>粗排层——>精排层的方法来进行。