一、解决问题

• 1. 千人千面
• 2. 场景决定推荐规则

二、推荐方法

• 1. 基本规则的推荐

销量等规则+排序
有明确的规则定义，可通过人肉方式，对规则模型做一定的定制
可解析性强

• 2. 基于传统的机器学习的推荐

基于用户的历史行为、服务门店、用户特征
对数据质量有要求，一般要将原始数据通过衰减或时间工程处理
只要数据足够好，就可以帮助我们去发现对应数据过程中隐含的意义，并将参数自动计算出

机器学习的推荐特别是：
公式：固定可见；
参数：是通过历史数据拟合训练出来，脱离人肉干预
训练结果，可用于模型预测

• 3. 基于深度学习、神经网络的推荐

不断反推、递归：最后给出用户所需要的预测打分
对数据质量的要求更高
深度学习，也可以算为机器学习这一类，....

三、推荐模型

• 1. 规则模式：规定则定义、简单的计算公式
• 2. 机器学习模型训练：数据训练后的算术公式
• 3. 机器学习模型预测：待预测数据经过训练模型算术公式后的结果

四、模型评测指标

100 条数据, 80条用于模型训练，20 条用于测试
-1. 离线指标：查全率、查准率、auc等
-2. 在线指标：点击率、交易转化率等
-3. A/B测试：