tr是什么意思电商

今天合众百科就给我们广大朋友来聊聊tr是什么意思电商,以下关于观点希望能帮助到您找到想要的答案。

本文分为以下多个相关解答：

• 1、如何评价推荐系统的结果质量

如何评价推荐系统的结果质量

最佳答案要根据不同的推荐场景，因地制宜的选择合适的评估方法。推荐场景，与推荐内容，展现方式，满足用户需求有关。

推荐的目的：电影推荐，目的是快速选出想看的电影，需要评分，简介，海报，用户停留时间越长，满意度越低，因为用户选不出；短视频推荐，目的的让用户在app停留时间足够长，多样性新颖性更重要

推荐电影 短视频 商品 新闻 小说 歌曲 个性化信息流feed推荐，相关推荐 热门推荐，推荐场景有很多

短视频：用户粘性，浏览时长，短视频制作方的曝光和生态，是关键考核因素。

TOP-N推荐：展示数量有限，有先后次序，对结果的准确率要求高，因此，推荐结果的前N条点击率CTR（click-through-rate）是常见指标，计算方式为点击/曝光

推荐结果有明显顺序关系的，app从上到下展示，需要有位置衰减因素，如NDCG(Normalized Discounted Cumulatie Gain)MRR(Mean Reciprocal Rank)MAP（mean average precision）。

feed流：常用点击/曝光即曝光点击率来衡量推荐质量，PV点击率（点击量/总 PV）、UV点击率（点击量/总 UV）也是Feed流中常用方法

电商

电商：推荐核心目的是促成交易，推荐带来的交易笔数占总交易的占比，或总交易金额与GMV的比例，是最直接的评价指标

从推荐激发购物者兴趣，到用户完成订单，有漫长的操作链条，所以还可以分解动作以更好的衡量每个环节的效果。例如加购物车率（通过推荐引导的加购物车数量 / 推荐曝光总数），商品详情页阅读率（通过推荐引导进入商品详情页数量 / 推荐曝光总数）等

广告

广告点击、曝光：新闻资讯、短视频、免费小说漫画阅读类APP，广告作为主要收入来源，要扩大用户在APP上的停留时间和促进广告点击，因此用户平均停留时长、推荐引导下的成功阅读次数等，作为衡量标准

离线

离线数据采集通常很难做到完全细致全面的情况下（例如大量用户的隐式反馈数据很难完整记录，因为性能代价太大）

使用大数据算法竞赛，采用静态评估方法计算。

例如在电影、电视剧的推荐中，用户 - 物品评分矩阵（User-Item-Rating）就是常用于离线评估，在学术界尤其常见。因为高校、学术界很难接触真实线上环境，用离线评估是比较方便来评估算法好坏的，也算是学术界的无奈吧。

在线

在线评估可以随时进行abtest，缺点是，线上环境复杂，会受到其他干扰因素影响，未必能反应推荐算法效果的好坏；一些指标很容易受到攻击和作弊，运营活动也会有干扰；流量占比过小时，数据抖动很大，abtest的效果未必能体现真实效果。

离线评估的结果和在线测试的结果可能南辕北辙。离线测下来效果顶呱呱的算法，上线后可能石沉大海一点浪花也看不到。这也恰好证明了正确选择评估方法是多么重要。

推荐的内容如果都来源于平台自身，那么往往只需重点考虑平台关键运营指标最大最优，例如达成更多的交易提升 GMV，或者读者的留存率更高，或者提升整个平台用户的活跃度等就行。

但是比如抖音的内容来自各个发出者，这些人依赖平台推荐，增加曝光率来获利，因此平台要从自身的生态平衡和系统长期健康角度出发，考虑让出一些曝光给长尾UGC或者PGC，避免被顶流占据，同时扶植更多中小内容创作者让生态更加繁荣。这时评价指标要包含内容来源覆盖率，多样性等指标。

研究表明主流的推荐算法（比如协同过滤）都是具有马太效应的，基尼系数用来评测马太效应的强弱的，如果 Gini1 是从初始用户行为中计算出的物品流行度的基尼系数，Gini2 是从推荐列表中计算出的物品流行度的基尼系数，如果 Gini2 > Gini1 则说明推荐算法具有马太效应。

评价指标一定不能只单纯看重点击率、转化率等量化指标，因为如果只用这些指标来优化算法，最终结果一定是低劣内容会充斥着版面，降低整个平台的格调。

在推荐系统评估时大家往往语焉不详的“惊喜度”（Serendipity）、“新颖性”（Novelty）等，往往就是在人性揣测的方面进行探索。

这些指标计算时最大的难点是评价指标偏主观，很难直接使用在线行为计算。一般只能用事后问卷或者用户对内容的评价评分、转发等行为来间接佐证。或者以 7 日或者 N 日留存率等来判断用户对推荐结果整体的满意度。（达观数据 陈运文）

基于用户的整体式评估，会让推荐算法导向满足“大多数人口味”的推荐结果，但这背离了千人千面的个性化的初衷。我们期望社群里不同的人都能通过推荐来形成满意的体验。小众的人群偏好往往会淹没在整体数据中，我们一线的算法工程师经常有体会，就是某个新的推荐算法上线后，看整体指标明显好很多了，但是你的领导 / 客户可能来投诉，说感觉推给他的东西感觉没以前好了。个体和群体经常存在类似的矛盾。某个推荐算法可能对整体有利，但对其中另一类人未必如此。

理想的做法是将其中的人群进行细分，例如电商网站中既有价格敏感型的大众用户，也有追求品质的高端用户。在计算指标时如果划分不同人群来计算，更能体现推荐效果作用后的具体差异。例如我们期望新用户能迅速完成交易并沉淀下来，那么针对这群人的推荐指标，下单率和次日或 7 日留存就非常重要。而针对高端人群的则有所不同。个体的差异性和小众品味要得到更大程度的重视。

在同一个推荐 APP 或产品里，不同位置的推荐需要针对性的设置推荐评价指标。前文中提到的不同位置、不同场景，推荐指标制定规则可以有所不同。例如首页首屏的 banner 推荐（Top-N 推荐），信息流 Feed 推荐，内容详情页下面的相关推荐（常用 precision-recall 或者 F1-score）来计算。还有在搜索无结果页、购物车页面，退出确认页等等，不同的位置一定需要因地制宜的选择适合的评价指标。

每个指标都有局限性，推荐系统需要平衡很多因素 ( 商业、用户体验、技术实现、资金、人力等 ) ，怎么做好平衡是一种哲学。通常可以把几个因素加权求和来作为整体指标

指标的选择和产品主打定位有关系。例如一个特别强调内容快速新鲜的 APP，那么结果的时效性就应该占更大的权重。而一个强调格调品味的 APP，单篇阅读时长就显得更可贵。而强调社群活跃度的平台，用户对内容的分享率，互动率等，在整体指标中要更突出。（达观数据 陈运文）

在产品运营的不同阶段，倾向性不同指标的选择也应该有所不同。产品上线前期可能要照顾用户体验，大力拓展新用户。当用户量足够多后，可能会侧重商业变现 ( 推荐的付费视频，在列表中插入较多广告等 ) ，想办法通过推荐让产品尽快盈利。如果是电商类推荐，要细致的考虑用户购买前和购买后的差异，以及标品和非标品的差异。购买前往往可以多推荐同类产品以更好的让用户进行比选。当购买动作完成后，尤其是耐用消费品，再继续推荐就适得其反了。

推荐系统本质上就是让每个消费者满意，这些指标只是从不同的角度来衡量“满意”这件事情的程度高低。在此小结下常见的指标种类，包括如下几种类型：

场景转化类指标 ：曝光点击率，PV 点击率，UV 点击率，UV 转化率，加购物车率，分享率，收藏率，购买率，人均点击个数，CTR，AUC 等

推荐内容质量指标： 结果多样性（Diversity），结果新颖性（Novelty），结果时效性（timeliness），结果信任度 (Confidence& Trust) 等

内容消费满意度指标 ：留存率，停留时长，播放完成率，平均阅读时长，交易量，沉浸度（Engagement），惊喜度 (Serendipity) 等

在同一个推荐场景下，指标不宜过多，因为太多了不利于最终优化决策，把握准每个场景核心发挥的作用的几个推荐指标就行。但也不能只有一个指标，因为过于单一的指标会把推荐算法的优化引入歧途。迷信单一的指标表现好不能说明产品好，而且物极必反，过度优化后的指标虽然上去了，但用户的体验往往会降低。

很多推荐评价指标本身也是脆弱和易受攻击的，一些推荐算法如果严重依赖各类反馈指标来自动优化结果，往往会被恶意利用，所以既要灵活运用推荐评价指标，又不要完全迷信技术指标。因为指标背后体现的是用户的人性。在商业利益和人性之间拿捏到最佳平衡点，是推荐系统开发、以及推荐效果评估的至高境界。

虽然我们无法避免生活中的问题和困难，但是我们可以用乐观的心态去面对这些难题，积极寻找这些问题的解决措施。合众百科希望tr是什么意思电商，能给你带来一些启示。