小红书的推荐系统
如果大家没有用过小红书，不妨安装一个小红书app，这样方便一起学习相关背景。
打开小红书，按默认进入发现页面，这个页面展示推荐系统分发给你的内容，这个页面展示的内容叫做笔记，都是由用户自己创作的（UGC），我们把用户创作内容展示给其他用户，形成陌生人社交的社区。
在页面上看到的笔记都是推荐系统给你看的推荐内容，根据自己过去的点击、点赞、收藏、转发、评论的行为给你推荐，你可能感兴趣的内容笔记，比如我回国之前经常看机票的隔离酒店内容，推荐系统就会给你推荐这方面的。
系统把一篇笔记展示给用户，这叫做曝光（impression）。假如用户对这篇笔记感兴趣，会点击它，然后进入这篇笔记。
如果用户在这篇笔记上停留几秒，就意味着用户不是手滑，而是真的对这篇笔记感兴趣，这被算作一次有效点击。有效点击就意味着用户对笔记感兴趣，这被算作一次有效点击。有效点击就意味着用户对笔记感兴趣，这将被视为推荐系统的一个信号。
接下来用户可能会向下滑动阅读这篇笔记，如果滑动到底，更能说明用户对这篇笔记感兴趣。滑动到底也是推荐系统的一个依据。如果用户足够喜欢这篇笔记，可能还会点赞、收藏、转发。
下面的红心是点赞，红星旁边的五角星是收藏，最下面的箭头是转发，用户还可以读评论。
转化流程
推荐系统决定给用户曝光什么内容，用户自己决定是否点击进去，点击进去是否会滑到底、评论、点赞、收藏，不同的网站，都会有不同的转化流程，跟产品的设计有关。算法工程师应该熟悉自己公司的产品，这对设计特征和模型会有帮助。对于绝大多数的公司的产品，前两步都是曝光和点击，比如YouTube、淘宝、快手、知乎都是这种设计，但是抖音不太一样，抖音没有曝光和点击，用户下滑，你只能看到一个视频，点击之后用户会做这几个动作，包括滑动到底、点赞、收藏、转发，这些动作意味着用户对笔记感兴趣，这些动作都可以作为推荐系统用的信号推荐依据。
在滑动到底之后，用户可以评论，正面和中心的评论，对社区的氛围很有好处，所以留评论也作为推荐系统的一个信号。
消费指标
作为算法工程师，我们优化推荐系统是为了提升一些业务指标。
这里列出了几个消费者的指标，这些指标反映出用户对推荐是否满意。
点击率是一个重要的消费指标，点击率等于点击次数除以曝光次数。举个例子，每天笔记展示得100个用户，其中有20个用户点击了点击，那么点击的点击率就是20%的，点击率越高就说明推荐越精准给用户展示了他感兴趣的内容。
虽然点击率是重要的消费指标，但也不能把点击率作为唯一的优化目标，否则骗点击的标题就会泛滥。不然页面上到处都是美国人吓尿了，日本人震惊了，或者满屏都是美女图片骗点击。
其他一些指标也可以反映出用户对笔记的兴趣：
- 点赞率=点赞次数/点击次数。举个例子，有100个用户点击进入某篇笔记，其中有十个用户点赞，那么点赞率就是10%。
- 收藏率=收藏次数/点击次数
- 转发率=转发次数/点击次数
阅读完成率稍微有点复杂，阅读完成率等于滑动到底次数除以点击次数，再乘以一个归一化的函数。归一化的函数跟笔记长度有关。这是因为笔记越长，完成阅读的比例就越低。如果没有归一化的函数，对长笔记会不公平，通常来说，推荐的笔记越符合用户兴趣，那么点击、点赞的行为就会越多。
做实验的时候，我们希望看到新的推荐算法能在这些指标上超越原有的算法。我在这里列出的短期消费指标都是有意义的，但可能不是评价推荐系统好坏的根本指标，一味追求这些短期消费指标是不对的。
举个例子，如果推荐算法只看用户短期兴趣，推很多用户最近感兴趣的内容，会让这些消费指标上涨，但这样的坏处是为竭泽而渔，用户很快被失去兴趣，不再活跃。反过来，尝试一些用户没看过的话题，那么点击率不会上涨，但是会有利于提高用户粘性，留住用户，让用户更活跃。
北极星指标
刚才讲的点击率、点赞率之类的指标都是短期的消费指标，不是最重要的指标。衡量推荐系统的好坏，最重要的指标叫做北极星指标，有这样几个北极星指标，用户规模、消费、发布，北极星指标，意思就是最关键的指标，是衡量推荐系统好坏的根本标准。
在小红书我们就考察这三类北极星指标，
第一是用户规模，就是和用户数据和月活用户数mau来衡量，比如我是个用户，我今天使用一次小红书或者使用十次小红书，今天都算给小红书贡献了一个dau，但这个月无论我总共登录了一次小红书，还是每天都登录小红书，都算给小红书，这个月贡献了一个MAU。DAU和mau，都跟推荐系统的好坏强相关，推荐系统做得好，用户就会越活跃，DAU和MAU就会越高。
第二个北极星指标是消费，包括人均使用推荐的时长、人均阅读笔记数量，如果我今天刷了一个小时的小红书推荐，那么我就贡献了一个小时的时长，如果我今天看了20个小时的笔记，那我就贡献了20篇的阅读量。
推荐做的越好，用户就会越上瘾，使用小红的时长和阅读数量速度越高。这两个指标比点击率、点赞率能反映出推荐做的好不好。
通常来说，点击率跟时长阅读数量的涨跌是一致的，万一有冲突，要以北极星指标为准。举个例子，把推荐系统的多样性做好，探索对用户的兴趣，使得用户使用时长增长。但是点击率下去了，这完全OK，这样的策略应该上线，北极星指标比点击率更重要。
还有一个北极星指标是发布，包括发布渗透率和人均发布量，我们希望推荐系统能激励作者发布，这样我们的内容是变大，优质内容池是我们的核心竞争力。
激励发布通常是由冷启动来负责，后面我会专门讲东西的，到时候再解释发布渗透率和人均发布量。
实验流程
刚才讨论了如何评价推荐系统。算法工程师的工作就是对模型、特征、策略、系统做改进，提升各种指标，推进系统能否最终上线，要拿实验结果来说话。
实验流程是先做离线实验，表现好的话上线做小流量AB测试，表现好的话加大流量，最终目的是全流量上线。
第一步是离线实验，用收集的历史数据做训练和测试，离线实验不需要把算法部署到产品中，没有跟用户实际交互，因此离线实验很容易做，不需要占用线上流量，也不会对系统和用户产生负面影响，有很多评价离线实验的指标，后面课程会讲。
离线实验的结果有参考价值，能大致反映出算法的好坏，但是离线实验并没有线上实验可靠，想最终判断算法的好坏，还是需要做线上实验。
前面提到的北极星指标都是线上指标，只能通过线上实验获得，做离线实验无法得到这些指标。具体做法是开小流量AB测试，把用户随机分为实验组和对照组，实验组用新策略，对照组用旧策略。对比两者的业务指标，判断新策略是否会显著优于旧策略。如果新策略显著优于旧策略，可以加大流量，最终推广。
这节课以小红书为例，介绍推荐系统的一些基本概念，后面的课程会用到这些概念。
下节内容是推荐系统的链路，仍然是一个很广泛的概述，不会讲具体的推荐算法，
