实验16-5：智能推荐与个性化系统

文创内容平台的推荐实验：40 条内容、60 位社区用户（程序生成的练习数据）。协同过滤、基于内容、混合推荐按公式真实计算，再用多样性重排和新鲜度调整列表；最后设计一次 A/B 测试，用统计检验判断新方案是否真的更好、对冷门创作者是否更公平

  1. 点几张卡片表示“喜欢”，看画像和推荐怎样变化；再切换到社区用户看看
  2. 比较三种算法和混合权重 α，看离线准确率、召回率
  3. 调多样性 λ 和新鲜度 β，观察“茧房指数”和长尾曝光
  4. 把两套设置设为 A、B，运行 A/B 测试并判断是否显著

1 当前用户

你（新用户）
已喜欢 0 条内容

2 推荐算法

3 列表重排

MMR 重排：每选一条，扣掉它与已选内容的最大标签相似度 × λ

得分 =（1−β）× 相关度 + β × e−天数/30

4 这份列表

茧房指数（前两大兴趣占比）—
列表多样性（标签差异）—
平均发布天数—
长尾内容（热度后一半）—
本次点击率（点了 / 展示）—

想一想

准确率最高的方案，往往也是让人越看越窄的方案。《互联网信息服务算法推荐管理规定》要求平台不得利用算法诱导沉迷，并向用户提供不针对个人特征的选项和关闭个性化推荐的选项。

为你推荐（前 8 条）

离线评估

对 60 位社区用户各隐藏 30% 的喜欢记录，只用剩下的记录做推荐，看前 8 条命中了多少被隐藏的内容。覆盖率是所有人的推荐合起来用到了多少条内容；长尾曝光是推荐位里留给冷门内容的比例。

A/B 测试

把 60 位社区用户随机分成两组，A 组用方案 A、B 组用方案 B，被隐藏的喜欢记录当作“用户会点”的内容，统计点击率，用两比例 z 检验判断差异是否显著（p < 0.05）。每个方案对应你在左侧调好的一套设置。