现如今，推荐系统几乎无处不在。

• 电商购物，有猜你喜欢。
• 资讯阅读，有个性推荐。
• 听歌看电影，都能识别你的兴趣。
• 就连工作社交，也会提示你可能认识的人...

推荐系统火爆的背后，是信息过载的现状下，人们需要通过算法，来帮助自己找到恰当的内容。

每个人的兴趣和需求不同，每个内容的特点也各不相同。如何在内容和用户之间，根据不同的场景环境做出恰当的匹配，也就是推荐系统的核心任务。

举个简单的例子，你平时用美团点餐，它推荐的可能都是你常吃的附近美食，而如果你去了一个新的旅游地，它会给你推荐当地的热门特色餐饮。

精准识别并满足用户不同需求的能力，构成了推荐系统的能力壁垒。

那么，我们该如何量化评估这种差异呢？

单一的衡量标准不存在

 

推荐得好不好，大家最容易想到的指标，就是点击率。

如果我推荐的内容，就是你满意的，你肯定会点击使用。理论上来说，完美的推荐系统，似乎应该做到100%的点击率。

 

以资讯产品举例，你每次刷新，刷出来的10条内容你都很喜欢，全都点开看了，这说明我们的推荐非常准。

 

但这样会带来明显的问题，因为我们追求高点击率，所以会减少冒险尝试，任何不确定的内容，我们都不敢推给用户。结果就是我们只能把用户曾经点过的品类，反复推给他，形成信息茧房，造成用户审美疲劳，然后离开。

 

这样，尽管我们的点击率上去了，用户留存率却下降了，商业收入也自然而然下降了。

此外，如果我们只关注点击率，就很容易忽略点击质量。举个例子，推荐系统追求点击率的结果，自然就是推荐更多的标题党内容，造成用户点击率很高，阅读时长却非常短。用户被忽悠了两三次以后，很可能愤而离开。

 

同样的，如果我们只追求阅读时长，可能会推出来大量的长时视频内容，减少短内容的曝光机会。

 

甚至在产品商业化阶段，我们有时候为了提升广告收益，还愿意牺牲一点点击率、阅读时长等用户指标...

 

显然，单一的衡量标准，无法确保推荐系统满足我们的需要。

 

多元的评估方式

 

推荐系统通常服务于某个具体业务，业务在不同的时间阶段、场景、用户群体下，都有不同的目标，需要灵活考虑。

 

下面以资讯类APP举例说明：

 

1. 不同的阶段：产品发展初期，我们更关注用户的粘性和留存，因此重点会放在用户的点击率、PV、阅读时长上。等到追求商业变现的阶段，更多考虑的就是付费率、广告点击量等商业指标。对应的，推荐系统在不同的阶段也要做相应调整。
2. 不同的场景：搜索场景考虑的是用户的搜索结果点击排序，追求用完即走。但是feeds流考虑的是用户的CTR、阅读时长、内容多样性。两者完全不同，不可混在一起。因此，对于不同场景，我们可以使用完全不同的推荐模型，将场景隔离开。
3. 不同的用户：新用户考虑的是快速留存，积攒PV。老用户考虑的是探索兴趣，诱导分享。此外，不同偏好的用户需求各不相同，财经的用户希望内容权威、及时、高效，情感的读者希望内容贴近生活，足够有趣。二者追求的指标显然不需要一致。

 

考虑到各种不同的诉求，我们的评估方式也要灵活变化。

 

对不同的场景和用户模型，设定单独的衡量标准。对不同的业务指标，拆解出推荐系统的上线与评估标准。

 

所谓拆解，其实就是用高频变化的指标，去近似代表我们追求的长期业务指标。

 

举个例子，在资讯类APP发展早期，我们希望提升日活用户数，提升用户的使用时长。但是只看这些结果指标，并不能指导我们改进业务。

 

因此，我们可以把这些指标拆解成一些日常容易衡量评估的指标。比如日活用户数等于新增*留存，新增不是推荐系统直接影响的，这里暂不考虑。而留存取决于用户对我们产品的满意度，而满意度又近似等于人均PV（点击）、CTR（点击率）、阅读时长、播放完成率、评论、分享、收藏、点赞等等指标。

 

由此，我们把推荐系统的评价指标，就拆成了以下这些：

 

1. PV：阅读数量，通常我们用人均值代替。对于资讯类APP来说，PV通常意味着用户的使用深度，同时更多的PV也会带来更多的广告曝光和点击，因此PV是对商业模式的一种近似简化，通过灵敏的PV，来间接提升我们的商业收益。用于推荐算法模型训练的素材，其实最关键就是用户对各篇推荐内容点击与否的数据
2. CTR：点击率，越高代表用户对你的推荐结果越满意。
3. 阅读时长、播放完成率：阅读时长、播放完成率配合PV，可以规避掉一些无效点击，提升指标的有效性
4. 评论、分享、收藏、点赞数：这些行为比一般的阅读更重，更能代表用户的偏好，这些指标的加入（权重计分形式），可以让推荐系统更准确把握用户兴趣
5. 主观评估满意度、新颖性、惊喜度：这三项其实是偏主观的评价，之所以加入，是因为很多用户体验并不能用数据衡量，往往需要用户凭主观感受打分来反映。具体做法有很多种，比如1）给出两篇内容，让用户进行点对点的对比。（2）给单篇内容提供打分选项，建议用户从内容与自身偏好的相关性、内容的信息量等角度给予1～5分的评分。（3）以提出开放性问题的方式来收集用户对自己信息流的反馈
6. 内容多样性：对用户来说，产品需要经常有新意，不能陷入信息茧房，因此要评估内容多样性指标。比如可以统计用户的展示历史中各种题材、类目、话题的丰富程度如何，丰富度越高代表个体体验的多样性越好。从内容生产的角度，还可以计算基尼系数、推荐覆盖率，来判断各个内容是否都被推出去了。

具体在日常工作中，我们每次迭代推荐系统，通常都会进行AB实验，考虑对以上指标的影响，如果实验整体正向并且效果显著，那么我们会考虑把实验策略推全到全部用户上。

 

算法侧的评估标准

 

当然，除了业务指标外，我们还需要考虑算法本身的评估方式。毕竟推荐系统的主体是算法模型，在日常的系统迭代中，有大量的离线场景，需要评估算法效果好坏。

 

一般而言，算法是用模型去拟合训练数据，然后去预测新数据。它的评估方式也很直接，即预测的准确性。具体来说有召回率、精准率、准确率、F1值、AUC、RMSE...

 

分类预测类

 

1. 召回率：也叫做查全率，全部正样本里，有多少被命中了
2. 精准率：也叫做查准率，即预测为正的样本里，有多少是真的为正
3. 准确率：一个综合评价指标，计算的是全部预测项里，有多少是正确的
4. F1值：综合考虑了召回率和精准率，既考虑是否把全部正样本找出来，也考虑找的这些正样本精准率如何，对不平衡类别非常有效
5. AUC：综合考虑假正例率和真正例率，得到ROC曲线后，计算曲线下的面积。简单理解，就是0~1之间的值，值越大模型分类效果越好，对不平衡类别非常有效

回归预测类

 

1. SSE(和方差)、均方误差（MSE）、MAE(平均绝对误差)、均方根误差（RMSE）：这几个都很相似，都是衡量预测值和真实值之间的差别
2. R Squared：基于方差计算出来的一个比值，取值0~1之间，值越大，模型拟合效果越好

 

从日常的工作流程上来说，我们会先考核算法模型的AUC，AUC比以往模型有所增长时，我们再做线上AB实验，判断业务指标的增减。

 

通过灵敏的业务拆解指标，来反映我们对业务目标的迫近。

写在最后

 

随着业务的发展，推荐系统越大，它的评估复杂度也会跟着提升。

 

许多新的目标、特殊的场景都需要纳入考虑范围。

 

比如推荐系统的健壮性（是否容易被攻击）、推荐时效性、推荐地域性、推荐内容质量高低、推荐重复度、用户投诉率等等...

 

因此，推荐系统的评估方式也需要动态调整。

 

灵活调整评价体系，让推荐系统更好的服务业务发展，才能让推荐系统永葆生机。

 

 

作者：Nemo