“猜你喜欢”这个是乐播APP里我和带我的师傅负责的推荐部分，大部分推荐模块的标识就是这四个字。由于乐播是个新产品，当时还没有推荐领域的产品经理，我们自己分析数据指标，自己来优化算法。推荐算法很多，也难以描述清楚，而一边看数据，一边优化的过程或许更值得说。
1. 推荐结果好不好，怎么评价？
推荐列表的人均播放次数和播放时长。人均播放次数说明了推荐的结果有没有猜到用户的喜好；而播放时长则放映了节目能否抓住用户，或者推荐的虽然是用户喜爱的，但没有在合适的时间。
其实，还应该有用户点击的节目在推荐列表的位置这种更详尽的指标，但是日志里对于这种指标没有记录，数据统计人员没有帮我们统计这个指标，我们会自己定期统计一下。
2. 推荐好还是人工好？-- 运营和推荐A/B test
把用户分为两组，一组推荐，另一组运营人工推荐，对比推荐的实际效果。
3. 小步迭代向前--算法上线A/B test
每次对算法做改进，对比未做算法改进的数据表现和做过算法改进的数据表现，来看对算法的改进是否可行。
感想
这段推荐算法的实习经历给了我一个机会深究推荐，学会不断的查看数据指标来指导算法，得到了一个好老师的指导，我还想出了自己推荐算法论文《one class pairwise recommendation algorithm》，发到了国际会议PAKDD上，收获满满。但，也让我认识到，推荐的本质是想做个性化，提高信息发现的效率。但是经过算法发掘出来的问题需要到用户的层面来进行思考，比如，发现一个有的用户总是在晚上8-9点时收听儿童电台，听凯叔讲故事什么的，她会觉得每天晚上7-8点直接把这个节目推荐给她是很贴心的。同时，相应的，对用户使用场景的感受，也会演化成对算法的改进。
