人工智能机器学习深度学习【免费下载链接】recommendersBest Practices on Recommendation Systems项目地址https://gitcode.com/gh_mirrors/re/recommenders点击查看免费下载导读推荐系统并非一套模型打天下的通用组件不同行业的业务目标、数据形态与约束条件差异巨大。本文以 scenarios/README.md 为骨架系统梳理本仓库所归纳的七大推荐业务场景——广告、美食与餐厅、游戏、媒体与娱乐、新闻、零售与旅游逐行业拆解其典型推荐任务、数据与评估指标以及落地注意事项并结合仓库中的模型示例、评估实现与术语表给出从业务场景到可运行代码的完整对照路径。读完本文你将能根据自身业务形态快速定位合适的推荐算法、评估指标与仓库内现成的 Notebook 起点。场景总览推荐系统业务版图在 scenarios/README.md 中项目按业务领域将推荐系统的常见落地场景划分为七大类场景目录行业领域典型业务问题Ads广告实时竞价、广告定向与投放序列优化Food and restaurants美食与餐厅餐厅发现、菜品推荐、食谱规划Gaming游戏游戏推荐、道具推荐、相似物品Media and entertainment媒体与娱乐内容发现、下一项推荐、个性化歌单News and documents新闻个性化新闻推荐、冷启动内容表示Retail零售个性化推荐、搭配购买、相似替代Travel旅游目的地发现、住宿与活动推荐、行程规划每个场景文档均遵循统一的信息结构先描述该行业中最常见的推荐任务Scenarios再给出数据构成与评估指标Data and evaluation最后补充该行业特有的业务约束Other considerations。这一结构本身就构成了一个可复用的场景调研模板无论切入哪个行业都可以从这三层问题出发设计推荐方案。广告场景从定向到竞价的实时决策广告推荐的核心使命是在对的时间把对的广告匹配给对的用户。仓库在 scenarios/ads/README.md 中归纳了四个高频子场景实时竞价优化Real-time bidding optimization在广告曝光发生的瞬间决定最优出价需要同时预测用户参与点击、转化的可能性及其潜在价值。仓库推荐使用 LightGBM基于 Criteo 广告数据预测用户是否点击电商广告与 Wide Deep 等模型。广告定向与个性化Ad targeting and personalization基于浏览历史、人口统计学特征与行为模式挑选最相关广告可借鉴 ALS、NCF 等协同过滤方案。相似受众扩展Look-alike audience targeting以已转化用户为种子寻找特征相似的潜在用户以扩大优质 campaign 的触达常用基于相似度的方法与聚类技术。广告序列优化Ad sequence optimization决定用户在一段时间内看到的广告先后顺序在最大化长期参与度与避免广告疲劳之间取平衡强化学习方案 Vowpal Wabbit 在此尤其有效。数据与评估广告数据集通常包含用户人口统计学信息、浏览行为、广告曝光数据、点击数据与转化数据由于隐私问题大部分数据会做匿名化处理。评估指标上CTR、CVR转化率、ROI 与 CPA单次获取成本是核心且线上 A/B 测试 至关重要——正如 GLOSSARY.md 所定义A/B 测试通过将流量随机分为实验组与对照组来实时衡量模型收益。落地注意广告推荐需在多目标间权衡广告主 ROI、用户体验、平台收入同时必须考虑频次上限frequency capping、预算平滑budget pacing以及 GDPR 等隐私法规合规。美食与餐厅场景情境敏感的即时决策美食推荐的特殊性在于决策高度依赖情境地点、时间、场合scenarios/food_and_restaurants/README.md 归纳了四个典型任务餐厅发现Restaurant discovery基于就餐历史、偏好与情境位置、时间、场合推荐新餐厅可适配 ALS 与 NCF。菜单菜品推荐Menu item recommendations用户在浏览某家餐厅菜单时基于历史订单、饮食偏好与热门组合推荐菜品包括个性化推荐与经常一起点frequently ordered together提示。膳食规划与食谱推荐Meal planning and recipe recommendations针对膳食规划类 App依据饮食限制、营养目标与食材可得性推荐食谱内容过滤方法尤为适用。时效敏感推荐Time-sensitive recommendations依据一天中的时段、星期几或特殊场合切换推荐策略例如早晨推早餐店、纪念日晚餐推浪漫餐厅。数据与评估关键数据包括用户画像饮食偏好、过敏源、订单历史、餐厅属性菜系、价格区间、位置、菜单项以及情境数据时间、天气、特殊场合。评估指标侧重订单转化率、平均订单金额AOV与客户满意度A/B 测试 用于衡量推荐对业务指标的因果影响。落地注意必须处理饮食限制、食物过敏、配送半径、餐厅容量与实时可用性等硬约束同时兼顾季节性菜单与时效性供给。游戏场景从单机购买到微交易时代的变现引擎游戏行业是较早拥抱 AI 的行业之一上世纪 80 年代街机游戏的 NPC 即是一例但推荐系统真正大规模进入游戏行业则是近年之事。scenarios/gaming/README.md 归纳了四个主要子场景个性化游戏推荐Personalized game recommendation基于用户与其他游戏的历史互动构建用户画像与游戏画像典型展示位是游戏商店首页如 Xbox Store或个性化 newsletter。仓库中 SAR、BPR、NCF 等大量算法均可直接用于此场景。个性化道具推荐Personalized item recommendation游戏内微交易micro-transactions彻底改变了游戏商业模式——从一次性买断转向游戏中购买道具。道具推荐可提升玩家参与度、按玩家兴趣定制内容并提升留存对工作室而言则带来转化率与收入提升只需调整数据集游戏推荐的同一套算法即可复用于道具推荐。相似物品Similar items基于物品特征相似度价格、品类、用途等做推荐业务价值在于促成购买或通过展示更低价替代品避免流失down-selling。适用算法为内容过滤类如 LightGBM、VW 乃至 xDeepFM。最优下一步动作预测Next best action prediction直接推荐对玩家最有利的下一步动作技术实现上同样可基于 SAR、BPR、NCF 等协同过滤算法。数据与评估数据集通常包含用户信息、物品信息、互动数据与会话数据。算法层面常用排序指标如 precisionk、recallk、nDCG、MAP业务层面则以 ARPPU每付费用户平均收入为主辅以转化率、ARPU每用户平均收入、日活跃用户与月活跃用户MAU。媒体与娱乐场景内容发现与参与度工程推荐系统是媒体娱乐平台的根基设施。scenarios/media_and_entertainment/README.md 指出从公开行业研究看流媒体平台的相当比例观看量、短视频平台的大多数观看都来自推荐系统个性化服务甚至与平台收入直接挂钩——一个缺乏推荐系统的现代平台很难有效拉新与留存。其核心子场景包括内容发现Content discovery帮助用户从海量影视、音乐、游戏库中发现相关内容典型呈现于首页与个性化信息流常用 ALS、NCF、SAR。下一项推荐Next-item recommendation预测用户接下来想消费的内容如下一集、相似歌曲或相关游戏对维持参与度、降低流失churn尤其重要。个性化歌单Personalized playlists面向音乐与视频平台基于偏好与收听/观看历史构建定制歌单协同过滤与内容过滤方法皆可。直播内容推荐Live content recommendations基于用户兴趣与当前热度推荐直播、活动、节目实时处理与热点检测是关键能力。数据与评估核心数据包括用户画像、内容元数据类型、演员、时长、观看/收听历史与参与度指标观看时长、评分、分享。评估指标涵盖参与时长、留存率与用户满意度对音乐与视频平台CTR 与 MAU 尤为重要A/B 测试 是标准线上评估手段。落地注意媒体推荐需要在推新内容与利用已知偏好之间平衡内容授权窗口licensing windows、区域可用性与设备兼容性也需纳入考量此外还要处理家庭共享账号与不同观看情境下的偏好差异。新闻场景对抗信息过载的冷启动挑战在线新闻已成为数亿人的主要信息来源但持续产生的大量内容带来严重的信息过载。个性化新闻推荐通过预测用户可能阅读的新闻来缓解该问题。scenarios/news/README.md 强调了新闻推荐的两个特殊要点冷启动是核心挑战新文章不断涌现、旧文章迅速过期因此新文章的有效表示与推荐直接决定整体效果参见 GLOSSARY.md 中对冷启动问题的定义——协同过滤对历史稀少的新用户/新物品预测能力有限需借助内容类辅助信息。不宜用 ID 等手工特征表示物品新闻文章文本丰富NLP 方法如从新闻文本学习内容表示至关重要。数据与评估数据集通常包含用户阅读过的文章作为用户兴趣的代理属隐式互动数据也可包含新闻信息标题、正文、栏目等。算法性能常用 MRR、nDCG 等排序指标衡量生产环境的业务指标包括 CTR 与参与时长线上评估同样依赖 A/B 测试。MIND 数据集与竞赛基线为支持新闻推荐开放研究微软发布了 MINDMicrosoft News Dataset大规模英文新闻数据集16.1 万篇新闻、超 300 万个实体、100 万用户并配套举办 MIND 新闻推荐竞赛。本仓库为参赛者提供了完整可运行的基线 Notebook基于知识图谱的 DKN以及 LSTUR、NAML、NPA、NRMS 等深度新闻推荐模型均在 MIND 样例数据集上开发与测试。这些模型的实现位于 recommenders/models/newsrec 模块含 LSTUR、NAML、NPA、NRMS 的模型定义 与 MIND 数据迭代器可从 Notebook 一路追溯到源码。零售场景贯穿购物全旅程的推荐矩阵零售推荐已成为现代电商增长与收入的核心驱动力公开研究估计有相当比例的电商平台购买由推荐驱动。scenarios/retail/README.md 按购物旅程拆解了四个子场景个性化推荐Personalized recommendation基于用户的购物或浏览历史预测用户最可能参与或购买的产品常见于个性化首页、信息流或邮件。仓库中 ALS、BPR、LightGBM、NCF 等大部分模型都可用于个性化Vowpal Wabbit 采用实时强化学习非常适合对个性化模型的输出做重排rerank。你可能还喜欢You might also like用户已在商品详情页推荐需与该商品强相关。个性化技术仍适用但与当前商品的相关性权重更高物品相似度在此尤其有用特别是对互动数据稀少的冷物品与冷用户。经常一起买Frequently bought together预测与购物车中商品互补或常被一起购买的商品是交叉销售cross-selling利器通常展示在结算之前该任务在很多情况下并不需要机器学习方案简单共现规则即可。相似替代品Similar alternatives覆盖降级销售down-selling或缺货替代场景预测价格、品类、品牌或外观相似的替代产品避免因缺货而流失订单。数据与评估数据通常包含用户信息、物品信息与互动数据。离线评估常用排序指标生产业务指标为 CTR、AOV平均订单金额与每订单收入线上效果通过 A/B 测试 验证。落地注意零售商通过推荐实现多样化的业务目标如以促销吸引新客、季末清仓等这些目标往往通过对上述场景推荐结果进行重排re-ranking来完成。旅游场景高价值、高约束的决策支持旅游推荐帮助用户在目的地、住宿与活动的海量选项中做出决策。scenarios/travel/README.md 归纳了四个子场景目的地发现Destination discovery基于偏好、过往行程、预算约束与季节因素推荐目的地协同过滤如 ALS与内容过滤皆可。住宿推荐Accommodation recommendations用户选定目的地后依据偏好价格区间、设施、位置与相似用户选择推荐酒店/民宿NCF 与 SAR 可适配。活动与体验推荐Activity and experience suggestions依据兴趣、季节与停留时长推荐当地游览、景点与活动内容过滤与混合方法尤为有效。行程规划辅助Trip planning assistance通过推荐互补项机票、住宿、活动帮助用户构建完整行程序列推荐方法sequential recommendation对生成连贯的旅行计划尤其有用——仓库中 sequential_recsys_amazondataset.ipynb 即展示了 A2SVD、Caser、GRU、NextItNet、SLi-Rec 等序列模型在 Amazon 数据集上的应用。数据与评估数据源包括用户画像偏好、过往预订、物品属性目的地、酒店、活动、情境数据季节性、天气、事件以及用户生成内容评论、评分。评估指标包括预订转化率、平均预订金额与客户满意度A/B 测试 用于衡量推荐对业务指标的实际影响。落地注意旅游推荐必须处理季节性、可用性、价格波动与预订窗口等约束还需考虑团体出行需求、特殊场合以及旅行决策的高风险属性并将当地法规、签证要求与出行限制纳入推荐策略。跨场景的方法论数据、指标与术语映射纵览七大场景可以发现两条贯穿始终的方法论主线这也是 GLOSSARY.md 提供的统一语言数据层所有场景都围绕用户信息姓名、地址、人口特征等、物品信息名称、描述、价格等与互动数据展开。互动数据分为显式互动用户 15 分的显式评分与隐式互动浏览、点击等更常见但意图更模糊的信号。新闻、广告等场景还依赖领域专有数据新闻文本、广告曝光与转化日志。评估层仓库严格区分两套指标体系。离线指标包括排序指标precisionk、recallk、nDCG、MAP与评分指标RMSE、MAE、R² 等这些均在 recommenders/evaluation/python_evaluation.py 中有可直接调用的实现如precision_at_k、recall_at_k、ndcg_at_k、map_at_k、rmse、mae、rsquared。在线指标即业务指标如 CTR、转化率、AOV、ARPU、ARPPU、MAU 等用于衡量推荐系统对业务的真实贡献。连接离线与在线的是 A/B 测试多于两组时称多变量测试 MVT——这是所有场景文档一致强调的线上评估标准做法。从场景到代码快速上手的落地路径场景文档的价值在于帮助你在动手前完成业务 → 算法 → 指标的映射。仓库为此提供了端到端的快速上手路径定位场景与算法对照 examples/00_quick_start/README.md 中的算法速查表选择起点。例如协同过滤ALS 基于 PySparkSAR 基于 Python CPU、神经协同过滤NCF、CTR 预估LightGBM、xDeepFM、Wide Deep、新闻推荐DKN/LSTUR/NAML/NPA/NRMS 五个 MIND Notebook、序列推荐sequential_recsys_amazondataset.ipynb。理解底层实现从 Notebook 深入源码例如 SAR 的实现位于 recommenders/models/sar/sar_singlenode.py深度推荐模型位于 recommenders/models/deeprec 与 recommenders/models/newsrec。离线评估与上线验证使用 recommenders/evaluation 模块计算排序/评分指标再以 A/B 测试验证线上业务指标。综合来看本仓库的场景文档给出的不仅是一份行业清单更是一套以业务目标倒推技术选型的决策框架先明确场景中的推荐任务与约束再选择对应的协同过滤、内容过滤、CTR 预估或序列模型最后用恰当的离线指标与线上 A/B 测试完成闭环验证。赞分享人工智能机器学习深度学习【免费下载链接】recommendersBest Practices on Recommendation Systems项目地址https://gitcode.com/gh_mirrors/re/recommenders点击查看免费下载相关推荐OBS Studio完整实战指南如何用免费工具打造专业级直播与录制体验OBS Studio完整实战指南如何用免费工具打造专业级直播与录制体验 你是否曾为直播画面不够专业而烦恼或者因为录制视频时音画不同步而头疼这些问题在内容创人工智能机器学习深度学习7大行业推荐系统实战Recommenders在零售、新闻、游戏等场景的完整应用指南7大行业推荐系统实战Recommenders在零售、新闻、游戏等场景的完整应用指南 GitHub 加速计划 / re / recommenders 是一套专注人工智能机器学习深度学习媒体与娱乐行业推荐系统实践指南场景拆解、算法选型与评估Recommenders 项目实战媒体与娱乐行业推荐系统实践指南场景拆解、算法选型与评估Recommenders 项目实战 本篇技术指南基于 Recommenders 项目GitHub人工智能机器学习深度学习上一篇Legba社区与生态加入这个快速发展的安全工具项目下一篇终极指南如何使用dnSpy程序集批处理工具自动修复.NET元数据损坏创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考