推荐算法互动实验室 公开离线报告 + 合成交互 · 静态演示

打开就是一局 · 教学模拟

你会把哪三件商品排在前面？

Top-3 推荐排位赛

先看一位模拟用户的偏好，再选出三件商品并调整顺序。提交后立即检查命中、排位和原因。

全部商品 读取中… 公开训练目录
候选召回 先找一批可能喜欢的 双塔召回 / 近似检索
点击预测 判断更可能点哪个 逻辑回归 / 深度模型
偏差校正 校正位置带来的错觉 逆倾向加权 / 归一化加权
最终推荐 精选结果 最终推荐
开始排 Top-3
先排 Top-3看即时反馈再检查召回、排序与评估证据

第 1 / 3 轮 · TOP-3 排位赛

看偏好，把三件商品排好。

人物、候选与标准顺序均为教学模拟，不是线上用户、模型预测或真实 benchmark。

本轮模拟用户

正在读取…

    你的推荐结果

    按顺序选 3 件

    已选 0 / 3

      候选商品点击加入下一名

      点击候选加入排名；选中后可上移、下移或移除。所有得分只用于这局教学模拟。

      STEP 1 · 第 1/3 步

      找商品

      几万个商品不可能全部精排。先根据用户历史，从全量商品中快速找到最可能感兴趣的一批。

      选择一段合成浏览历史

      合成用户最近看过
      合成目标商品

      推荐结果

      从 读取中… 中找出的前 10 个

      相似商品召回 · 精确检索
      选择合成历史后，点击按钮查看概念推荐。
        查看技术细节召回算法、近似检索与真实离线指标

        召回算法

        检索方式

        公开数据
        亚马逊公开评论数据集 · 工业与科学品类
        评估用户
        读取中…
        评估方式
        保留最后一次行为 · 全训练商品目录

        上方三组浏览历史与推荐列表是明确标注的合成概念样例，不来自真实用户。技术细节中的聚合指标来自冻结公开数据实验记录。矩阵分解与双塔召回没有保存用户级模型检查点，因此页面不会生成替代推荐。近似检索召回率表示近似结果对精确结果的覆盖程度，不等于推荐相关性召回率。

        下一步：看系统怎样预测点击

        STEP 2 · 第 2/3 步

        预测点击

        候选商品找出来以后，再预测用户最可能点击哪个。

        选择离线模型

        公开测试集概率校准分组

        模型给出的平均预测概率

        数值来自冻结的概率校准分组，不对应下方展示的单行特征，也不是真实线上点击率。

        — 点击按钮读取冻结结果
        选择模型后查看公开离线结果。
        查看算法指标ROC-AUC、LogLoss、Brier、ECE
        公开测试特征行 · 独立示例
        公开数据
        Criteo 公开点击日志 · 固定子集
        切分
        读取中…
        特征
        读取中…

        冻结实验记录没有保存逐行预测。Criteo 对正负样本采用不同比例下采样，因此这里的概率不能直接解释为总体点击率。

        下一步：看看“排第一”为什么会骗人