如何针对不同业务场景，拆解核心指标以优化推荐算法？

推荐算法闲谈：如何在不同业务场景下理解和拆解核心指标 在推荐系统工程实践中，实验业务指标分析能力也是一名算法工程师的在工作中逐渐积累能力。模型能力、特征工程、训练技巧解决的是能不能学好，而指标分析解决的是这次改动是否真正创造了业务价值，以及为什么。 一个非常常见、但又极易被忽视的事实是：推荐系统并不存在一套放之四海而皆准的核心业务指标。不同产品形态、不同交互方式、不同公司发展阶段，其最优目标函数本身就不同。算法工作的第一步，并不是建模，而是明确在当前场景下，系统究竟在为谁优化什么。下面以作者的经验谈一谈如何在不同业务场景下理解和拆解核心指标。 一、不同推荐场景下的核心线上指标：由关键行为决定 1. 内容型信息流（抖音 / 小红书 / 百度 App Feed） 在典型的内容型平台中，推荐系统承担的是用户注意力分配器的角色。其长期目标并非单次点击最大化，而是用户规模 × 用户使用深度。 因此，最核心的线上指标通常是： DAU（Daily Active Users）：用户规模与留存能力的直接体现； 分发量（曝光 / 点击次数）：系统供给效率与用户响应的体现； 观看时长（Watch Time）：用户对内容的真实消费深度。 在列表页（Feed 流）场景下，这三者共同构成一个完整的行为链条： \[\text{曝光} \rightarrow \text{点击} \rightarrow \text{消费（时长）} \] 其中： 点击更偏兴趣触发； 时长更偏内容质量验证。 工程实践中，只优化 CTR 而忽视时长，几乎一定会引入点击欺骗或低质内容问题。 2. 沉浸式推荐场景（短视频连续滑动） 在沉浸式场景下，用户不再显式点击，而是通过是否继续滑动表达偏好。交互范式发生变化，指标体系也必须随之调整。 此时： 点击指标失去意义； 关注重点转为： DAU：用户是否愿意进入沉浸式场景； 单用户时长 / Session 时长：是否愿意持续消费。 从目标函数角度看，沉浸式推荐更接近： \[\max ; \mathbb{E}[\text{Session Watch Time}] \] 而不是 CTR 最大化问题。 这类场景的本质是时间竞争，而非内容点击竞争。 3. 应用商店 / 下载型推荐 在应用商店、游戏下载等场景中，推荐系统更接近一个转化漏斗优化器。 典型指标分层如下： 线上核心指标：下载量（Install） 过程指标： CTR：是否感兴趣； CVR：是否完成下载。 推荐系统在这里承担的是将有限曝光转化为真实安装的职责，其目标可以抽象为： \[\max ; \sum_i \mathbb{P}(\text{click}_i) \cdot \mathbb{P}(\text{install}_i \mid \text{click}_i) \] 4. 电商推荐 在电商场景中，推荐系统直接服务于商业变现，最终目标高度明确： GMV（Gross Merchandise Volume） 而 DAU、点击、加购、下单等指标，全部都是 GMV 的中间变量。 典型分解关系为： \[\text{GMV} = \sum_i \text{曝光}_i \cdot \text{CTR}_i \cdot \text{CVR}_i \cdot \text{客单价}_i \] 因此，电商推荐中的任何指标提升，都必须回答一个问题： 是否以可解释的方式推动了 GMV？ 小结 推荐系统的核心线上指标，本质上取决于用户在该场景下最重要的一次关键行为是什么。 算法不是在优化指标本身，而是在优化用户行为的发生概率。 二、为什么实验分析不能只看大盘指标 DAU、总时长、总分发等大盘指标只能回答一个问题： 这个改动整体上是正向，还是负向？ 但它们无法回答原因。 在真实工程实践中，一个指标上涨，可能来自： 某一类用户暴涨； 某一类内容被过度放大； 流量结构发生迁移； 模型过拟合某一子分布。 因此，实验分析的核心不是看结果，而是分析结果。 三、实验分析中的关键拆解维度 1. 按用户活跃度拆解 常见分桶方式包括： 新用户； 低活跃用户； 高活跃用户。 这是为了判断： 模型是在拓展用户规模，还是关注核心用户； 是否存在对新用户不友好的风险。 2. 按资源类型拆解 如： 视频 vs 图文； 长视频 vs 短视频； 强互动内容 vs 弱互动内容。 这是为了判断： 模型是否改变了内容供给结构； 是否存在资源类型之间的挤占效应； 以及分析改动主要对哪些资源和场景产生影响。 3. 按场景拆解 例如： 列表页； 沉浸式页； 二跳页。