1樓：li Eta
看前面的回答都過於複雜了。這其實只是個特徵工程問題，並不是太需要做複雜的研究。
只要特徵中有「你已經買過這個物品」特徵，大量的使用者行為就能指導模型學好，並不需要額外的規則幹這個事情。
簡化問題，思考本質。
2樓：ksc
何為無效推薦？無效推薦的定義一直都是乙個問題，其實關於推薦中E&E（Exploration&Exploitation）的問題學術屆研究已經很多了，工業界的話感覺還是基於規則，比如卡片，boost等會更穩定一點
3樓：陳阿土
你說的這個是指復購週期過濾吧，不同類目可能有不同複購週期，手機你買完一般幾個月內就不會購買了，那在推薦的時候幾個月內就可以過濾掉這個，而紙巾等快消品可能幾周就要購買一次，那過濾週期就需要相應短一點。另外，使用者負反饋也跟你說的「阻止無效推薦」有關，例如使用者在前端明確反饋了我不喜歡這個商品/類目/品牌，那後續針對這個使用者就需要做相應的過濾。
4樓：探花小明哥
這種相似性的推薦其實是基於item的CF，可以考慮下基於使用者的CF，這樣就會有多樣性了。
另外，目前的推薦都是多路召回，並不是就一種方法，多樣性是可以保證的，當然，會有一些買過的類似的item出現，這是正常的，如果這種全都過濾也不好，使用者會覺得你不了解他。
職場中是否存在 無效的努力 ？即員工非常認真地完成現有工作，卻得不到加薪待遇？
才大師 電影 教父 中這句台詞令人醍醐灌頂 花半秒鐘就能看清事物本質的人，和花一輩子看不透事物本質的人，注定是截然不同的命運。不是你努力了就有結果，而是怎麼的努力才能帶來更好的結果，當你在職場上裹足不前的時候，就要停下來思考一番了，明知山有虎偏向虎山行，是莽撞的勇，而職場人，需要睿智的勇。01用可量...
深度學習在推薦系統中可以有哪些應用？
張帥Daven Deep Learning based Recommender System A Survey and New Perspectives yymWater 補充下，推薦裡很多實體，還有一些大類的特徵都可以像w2v一樣先做embedding，然後再加上其他特徵一起餵給dnn。btw，像...
2023年，入坑推薦系統是否是明智之舉？
大姚 什麼是入坑？學生還是投資人？投資人的角度看是可以的。學生你想做推薦，想想能不能有頂會？能不能有專案？能不能有大廠實習？如果這三個沒有，入坑了也沒用，上不了岸。 diaozhida 目前市場方向而言，NLP處於快速發展階段，崗位需求比較大，是最容易拿到高薪的，當然也是難度最大的 CV和推薦發展比...