📘 推荐系统评估·指标实战 30章 · 从入门到评估体系

⭐ 友好色系 · 明快专业
01
推荐系统评估概述 为什么需要评估？评估的挑战与核心原则。
02
离线评估方法论 离线实验设计、数据集划分（时间片、留出法）、历史回放。
03
预测准确度指标（上） RMSE、MAE 的原理、计算与适用场景。
04
预测准确度指标（下） 分类准确率、召回率、精确率、F1-score 在推荐中的特殊含义。
05
排序质量指标 AUC、GAUC、NDCG、MRR 的计算与业务含义。
06
覆盖率与多样性 覆盖率（Coverage）、多样性（Diversity）、新颖性（Novelty）的定义与度量。
07
用户满意度指标 显式反馈（评分、点赞）与隐式反馈（停留时长、点击率）的量化。
08
业务核心指标 CTR、CVR、GMV、留存率（Retention）在推荐系统中的角色。
09
A/B 测试框架 分流原理、实验周期、统计显著性（p-value、置信区间）。
10
A/B 测试陷阱 辛普森悖论、多重比较问题、网络效应与干扰。
11
在线评估指标 实时监控、异常检测、指标波动分析。
12
冷启动评估 用户冷启动、物品冷启动、系统冷启动的评估策略。
13
偏差与公平性评估 选择偏差、位置偏差、流行度偏差、公平性度量。
14
鲁棒性评估 对抗攻击、数据污染、模型稳定性测试。
15
效率与延迟指标 QPS、TP99、模型推理时间、特征计算延迟。
16
模型复杂度评估 参数量、FLOPs、内存占用、模型压缩比。
17
可解释性评估 可解释性维度、用户理解度测试、解释质量评分。
18
长期价值指标 用户生命周期价值（LTV）、长期留存、用户活跃度。
19
多目标评估 帕累托前沿、加权和法、约束优化下的指标权衡。
20
评估工具与平台 TensorFlow Model Analysis、RecBole、离线评估 Pipeline 搭建。
21
数据集与基准 MovieLens、Amazon Reviews、Criteo、公开 Benchmark 的使用。
22
评估报告撰写 指标可视化、对比实验表格、结论与建议。
23
案例实战（一） 新闻推荐系统的离线评估全流程。
24
案例实战（二） 电商推荐系统的 A/B 测试设计与分析。
25
案例实战（三） 短视频推荐的多目标评估与调优。
26
案例实战（四） 音乐推荐的冷启动评估方案。
27
案例实战（五） 广告推荐系统的 CTR 预估模型评估。
28
前沿评估方法 因果推断在推荐评估中的应用、反事实评估。
29
评估体系设计 从指标到决策，构建完整的评估闭环。
30
课程总结与展望 推荐系统评估的未来趋势与学习路径。
📢 :
📱 微信 deep3321
✨ 课程目录 · 点击章节跳转至对应 HTML