阿里云智能推荐常见问题

1、什么是场景ID，该如果进行埋点，如果在查询中使用，bhv表场景ID是否需要对应，有什么作用？

举例1.1

内容表(item)中有一个itemA，其item_id为1，场景ID字段值为：1001,1002

行为表(behavior)中有两条行为，分别为

item_id=1,scene_id=1001,bhv_type=click;

item_id=1,scene_id=1002,bhv_type=expose

场景是指物品投放的不同地方，可以理解成是对物品的一个分类。如果您没有多场景需求，将该字段（scene_id）置为空即可。如果进行埋点请阅读数据埋点中场景ID埋点部分。如果对场景理解存在歧义，请阅读投放场景使用指南。

一个物品可以在多个场景投放，需要在scene_id字段指定时用逗号隔开

查询中如果有多场景ID，则在参数sceneId中带上需要投放的ID即可。如果没有多场景，则不用填充此参数。详情参照获取推荐结果。

查询时如果带上1001，则可能会召回该物品（跟进算法模型决定是否推荐该物品），如果带上1003，则永远不会召回该物品

行为表和内容表中的场景ID需要一致，正确的填写场景ID有助于算法模型训练。

行为表中数据表明，该物品在场景1001中有一次点击行为，在1001中有一次曝光行为。算法模型对1001和1002分别训练，也就是说两个场景的行为训练不会相互干扰。合理的填写场景ID有助于提供算法效果。

2、智能推荐是否会更新全量数据源（MaxCompute项目空间）中的数据，是否会更新基础表中的数据？

举例2.1用户A计划接入智能推荐系统，将自己的数据按照要求处理成user，item，behavior三张表结构后，开通了MaxCompute项目,project=airec_test，并上传成了3张全量表：user_airec,item_airec,bhv_airec。

用户在数据导入时填写的MaxCompute数据源，只是智能推荐在初始化时使用的数据，全量数据导入智能推荐系统后，不会再对用户的MaxCompute项目空间做任何回写操作。详情参见智能推荐数据流程。

用户A在导入完数据，并生效后。自己空间airec_test中的user_airec,item_airec,bhv_airec不会有任何更新，直接删除也不会影响智能推荐服务。

智能推荐自己系统中会存在三张基础表，初始化时会从用户MaxCompute空间进行导入，后面更新对接用户通过SDK推送的数据。智能推荐在模型训练中，只会以这三张表为基础训练数据，训练出的结果，只会更新中间表，不会影响基础表。

用户A对user表中的一条数据进行更新，userA的tag字段更新成：美妆，也就是意味着该用户偏好美妆类目。但是智能推荐算法模型通过行为分析，对userA的标签定位为体育，也就是该用户在体育类目下的行为更加活跃。则算法模型只会更新中间表，进而影响在线的召回，并不会更新基础表的tag字段。

3、如何确定数据上传成功，如果查询已经上传的数据？SDK返回结果为true则意味的消息发送成功。是否正确执行，需要通过数据查询、数据报表进行确认。

可通过通过指定user主键、item主键进行数据查询，此处查询有15min的时延，即写入15min后可进行信息修改的核对。

查询item数据

查询user数据

前往：控制台-数据管理-更新记录查询查询更新记录，此处查询有15min的时延，即写入15min后可进行更新信息的核对。

前往：控制台-数据管理-数据分布统计核对3天内行为数据量级是否合理，并查看具体的数据分布形态是否符合预期。

也可通过前往数据质量报告查看报告分析时间段内数据更新记录。

4、生效了一份新版本的数据，上一版本数据会被清理掉吗，之前的增量数据会如何处理，新的数据多久线上生效？

举例4.1用户A在购买推荐服务并上线后，近期公司业务发生较大调整，所有的用户ID需要做一次更新。原ID区间1-10000需要更换至20000-30000。现考虑如果在推荐系统中进行数据更新

在数据有较大变动的更新，我们建议用户优先使用SDK增量推送的方式。这样算法效果过渡会比较平滑。

用户A可以通过SDK增量推送的方式对user表进行更新，先批量add新的数据（20000-30000），然后对应的bhv行为数据也使用新的userid。平稳一段时间后，再del掉不用的用户ID。

如果考虑到没有足够的quota空间，决定使用全量更换数据版本的方式。在切换了数据版本后，由于智能推荐的后台算法调度周期限制，item数据会在4小时后生效，user和bhv数据会在第二天0点生效。数据实际生效前还是会查到老的数据信息。数据实际生效后上一版本数据会被完成清理掉，之前的增量数据会被完全清理。

用户A决定走全量替换的方式，原有数据版本M，他需要新建一个数据版本N，上传最新的user数据。在控制台生效完毕数据版本N后，停掉M的增量，替换成N的数据流程的增量信息。但是数据实际生效在第二天0点，当天查到的数据还是M的userId（1-10000），当天推送的新的增量（20000-30000）不会丢失，会在第二天一起生效。

5、什么是曝光过滤，为什么要有曝光过滤，对使用智能推荐的用户，会有什么影响？

曝光过滤是指，对同一个userId已经推荐过的物品，在接下来一段时间内不会再推荐相同物品。智能推荐设置的曝光过滤的时间为31天，也就是说同样的物品，如果已经被一个指定的userId浏览过，那么31天内，该物品不会再推荐给该userId。注：10小时内依据智能推荐系统记录行为，10小时以后依据用户回传行为。

举例5.1用户A通过userid=1查询推荐系统，召回了itemid=N的数据。此时，智能推荐系统会记录该推荐行为，10小时内不再对userid=1推荐itemid=N的数据。如果用户A没有把userid=1，itemid=N，bhv_type=expose的行为实时回传，10小时后，智能推荐有可能对userid=1推荐出itemid=N的数据如果用户A及时回传了数据，那么31天内，都不会出现重复推荐。

在智能推荐中，为了防止给用户反复推送相同的内容，曝光过滤是必不可少的一环，尤其对于新闻这类行业，尤其重要。

对于物品量较少的用户，极有可能一个userId多次访问后，会出现查询SDK的返回空结果。请用户做好抄底准备，不要让前端出现空窗。后期智能推荐会开放控制台，让用户可以定制曝光过滤时间。

6、类目有什么用处，该如何使用，必须填吗？

类目可以仿照淘宝的类目页面，相当于对物品按N级进行归类。目前类目的功能在智能推荐中主要用于打散，也会在排序的时候作为特征考虑到模型中，对算法效果有促进作用。

类目的使用需要视用户的业务逻辑，如果没有打散需求，可以置空。如何使用参见 数据规范 中对类目相关字段的解释，如果埋点参见 数据埋点，打散功能参见 通过打散调整推荐结果

7、什么是曝光行为，上传的行为数据必须要有曝光和点击这两种行为吗？

曝光对应的是行为（behavior）表的bhv_type字段，是上传用户行为的一种类型。一条物品展示给用户一次，就算做一条曝光行为。曝光数据对于智能推荐而言是必须数据，如果您没有曝光数据，在初始化启动服务时需要构造曝光数据，并埋点采集曝光行为以增量形式上报。

目前智能推荐支持多种行为，具体参考各行业的数据规范（内容型、电商型、新闻型），算法模型训练的目标是用户的点击行为占比更好（CTR）。后期智能推荐会开放更多的行为类型的支持。

关于如何定义曝光行为，如果埋点参见 数据埋点（曝光行为部分）

8、我的数据还没有准备好，如果快速通过构造的数据启动服务，测试相关的SDK？

智能推荐服务提供了可以用来测试的全量数据，可以从如下链接下载对应的数据，用以启动服务，快速测试SDK的推送和查询等相关功能。测试完毕后，可以通过新建数据版本的方式更换掉测试的全量数据，也可以直接通过增量的方式，推送覆盖原来的测试数据。

初始化数据下载地址

9、如何设置tag字段，用户表和物品表中的tag是需要相互关联的吗？

用户A运营了电商类的APP，自己的运营团队维护了一个标签池：红色，黄色，黑色，休闲，正装等。用来定位其商品和用户的偏好。

用户表和物品表中的tag字段是相关联的，其tag池最大容量为50000。

对于传给智能推荐的user和item表，其使用的tag标签需要出自同一个标签池，所有标签个数不能大于50000

TAG字段主要是用户对user，item的一种画像的定义，由用户的算法团队或者运营团队人工加上的标签，也可以是user注册是自己的选择。智能推荐算法训练时，会将tag作为输入信息的一种。合理的标签，会对算法效果有正向促进的作用。

如果一个user的标签tag是黑色，正装。那么智能推荐系统会更偏向于像该用户推荐具有该标签的商品。这是一个正向促进的作用。

10、新的数据版本生效后，后面对数据的订正，只能通过SDK增量推送吗？是否是实时更新的？

在数据版本生效稳定后，我们建议后面所有的数据更新走SDK增量推送的方式。所有的更新都是实时生效的。

11、超过了设置quota后，推荐系统会如何处理？

如果查询qps超过了购买的配额，智能推荐会做限流处理，禁止掉超过流量部分的访问。

如果文档数和用户数超过了购买的配额，所有通过SDK的ADD和UPDATE消息会失败，DELETE消息正常。

建议用户配置云监控报警，在配额超过后，可以及时作出相应的策略。

12、相关推荐和猜你喜欢的区别是什么？

猜你喜欢主要应用于终端用户当前浏览意向不明确时，我们将根据终端用户的长期、短期行为表现出的兴趣进行学习与训练，基于已表现兴趣学习下的同时，综合内容推荐的多样性，达到终端用户兴趣探索与多样展现的效果。常见使用位置：首页，购物车页，订单页

相关推荐主要用于当终端用户的兴趣已基本确定时，我们将根据确定的兴趣集中点（某一个商品、某一篇文章）并根据终端用户海量行为计算与分析找到动态关联的推荐内容进行推荐，根据推荐内容之间的属性与特征相关度找到静态关联内容进行推荐。常见使用位置：详情页

相关推荐场景侧重于基于用户指定的item进行推荐，对于物品自身属性的完备性有一定要求，最好有title,content,tag等属性，如果物品自身属性过差，用户也可以选择不传入item，此时会退化为猜你喜欢场景；

猜你喜欢场景侧重于基于用户行为进行推荐，无需指定传入item。