假设你已经有了自己的推荐系统，这个系统已经上线。

为什么要关注指标

面对推荐系统这样一个有诸多复杂因素联动起作用的系统，要时时刻刻知道它好不好，健不健康，你同样需要掌握一些测试方法及检测指标。

推荐系统的测试方法

我说过你需要有不确定性思维，推荐系统也需要测试，只是它不同于传统的功能测试。传统软件的功能测试，功能的响应是有预期的，点击一个关注按钮，应该有什么响应，是被产品文档明确规定的，也因此在开发功能的时候，可以同步写出测试用例来。反观推荐系统就没那么容易了，你什么都没动，可能两次推荐的结果都有可能不一样。

那么推荐系统要怎么测试呢？与其说推荐系统没有确定性的预期响应，不如说推荐系统的响应维度更高。

因为确定性的功能响应像是一个点，而推荐系统的响应则是高纬空间中的一个区域，而不是一个点。那么是不是推荐系统不需要单元测试了呢？显然也不是。

归纳起来，推荐系统的测试方法有四种：业务规则扫描、离线模拟测试、在线对比测试、用户访谈。

1.业务规则扫描

首先，业务规则扫描本质上就是传统软件的功能测试。确定的业务规则会对应有确定的规则，这些规则就可以翻译成单元测试，像是运行单元测试那样，对推荐系统逐一扫描业务规则。

通常这些业务规则对测试的要求也有软的和硬的两种。前者会对业务规则违反情况做一个基线规定，比如触发几率小于万分之几，在扫描测试时统计触发次数，只要统计触发几率不超过基线，就算合格。

而硬的规则，就是一票否决。例如一些业务黑名单，简直就是高压线，测试时碰不得，碰了就是Bug，就要想办法修正。

除了业务规则，还有一些容易让人忽视的地方，比如绝大多数推荐模型都涉及了数学计算，而数学计算中也有一些潜在的规则不能违反。比如除数不能违0，比如计算机的浮点数精度有限，经过一些指数运算后可能就出现预期之外的结果，还可能一些连续相乘的计算要防止出现0的乘数，类似这些在计算中的潜在业务规则，也需要扫描测试。

2.离线模拟测试

其次，就是在离线模拟测试。这是一种军事演习式的测试。模拟测试当然无法代替真实数据，但是也能暴露一些问题。通常做法是先收集业务数据，也就是根据业务场景特点，构造用户访问推荐接口的参数。

这些参数要尽量还原当时场景，然后拿这些参数数据去实时访问推荐系统，产生推荐结果日志，收集这些结果日志并计算评测指标，就是离线模拟测试。

显然，离线模拟测试是失真的测试，并且测试指标也有限，因为并不能得到用户真实及时的反馈。但是仍然有参考意义。

这些模拟得到的日志可以统称为曝光日志，它可以评测一些非效果类指标，例如推荐覆盖率，推荐失效率，推荐多样性等。关于这些指标具体含义，稍后再讲。那是不是离线模拟测试就是对效果一无所知、无法模拟呢？

也并不是，有一种办法是，利用历史真实日志构造用户访问参数，得到带评测接口的结果日志后，结合对应的真实反馈，可以定性评测效果对比。

比如，可以评测推荐结果的TopK的准确率，或者排序效果AUC。这些模型效果类指标，虽然不能代表最终关注的商业指标，但是两者之间一般存在一定的相关性。通常来说TopK准确率高，或者AUC高于0.5越多，对应的商业化指标就会越好，这是一个基本假设。通常离线模拟评测每一天的模型效果指标，同时计算当天真实的商业指标，可以绘制出两者之间的散点图，从而回归出一个简单的模型，用离线模型效果预估上线后真实商业指标。

3.在线对比测试

第三种测试方法就是真正的实战了，那就是ABtest,即在线对比测试，分流量做真实的评测。这需要一个支持流量正交切分的ABtest框架。ABtest在样本充分的前提下，基本上可以定性新的推荐系统是否比老的推荐系统更加优秀。

4.用户访谈

最后一种测试方法就是用户访谈，或者说用户调查。前面三种测试方法，背后的思想是数据驱动。

然而，数据测量的是系统外在表现，并不反映系统原理，而且数据指标是人设计的，是存在主观性和片面性的，人的认知广度和深度各有不同。

因此，除了要紧紧团结在数据驱动这个核心思想周围，还需要深入用户，对用户做最直接的交流，对用户访谈，更重要的意义不是评测推荐系统，而是评测推荐系统的指标，设计是否合理，是否其高低反映了你先预定的设定。

除此之外，通过前面三种测试方法如果得知系统表现的不好，那么结合直接真实的用户调查和访谈，可以为系统优化找到真实原因。

常用指标

推荐系统有很多指标，有很多率。实际上所有的指标就是在回答两个问题：系统有多好，还能有多好？

这两个问题恰恰就是推荐系统里面一个老大难问题的反映：探索利用问题。

系统有多好？这就是想问问：对数据利用得彻底吗？还能好多久？这个问题就是想问问：能探索出用户心得兴趣吗？这样就能继续开采利用了。也好比在职场中看一个人，除了看他现在的经验和解决问题的能力有多强，还要看他学习能力有多强，毕竟世界是变化的。

下面我分别说说这两类指标有哪些。

1.系统有多好？

检测系统到底有多好，其实，也有两类，一类是深度类，一类是广度类。

把数据看做是一座矿山，推荐系统是一个开采这座矿山的器械，系统有多好这个问题就是在关心开采的好不好，所以其实就看现在开采的深不深，开采的到不到位。广度指标就是指在矿上打满了钻井，而不仅仅盯着一处打井。深度类指标，就是看推荐系统在它的本职工作上做的如何。推荐系统的本职工作就是预测用户和物品之间的连接，预测的方法又有评分预测和行为预测。

因此深度类指标就旨在检测系统在这两个工作上是否做的到位，有针对离线模型的指标，也有在线的指标，下面我分别说一说；

1.评分准确度。通常就是均方根误差RMSE,或者其他误差类指标，反映预测评分效果的好坏。
2.排序。检测推荐系统排序能力非常重要，因为把用户偏爱的物品放在前面是推荐系统的天职。
由于推荐熊输出结果非常个人化，除了用户本人，其他都很难回答哪个好哪个不好，所以通常评价推荐系统排序效果很少采用搜索引擎排序质保，例如MAP,MRR,NDCG.搜索引擎评价搜索结果和查询相关性，具有很强的客观属性，可以他人代替评价，推荐系统评价排序通常采用AUC。
3.分类准确率，这个指标也是针对行为预测的，而行为预测就是分类问题，所以评价准确度就很自然。
在推荐系统中，评价准确度略微特殊，一般评价TopK准确率，与之对应的还有TopK召回率，这里的k和实际推荐系统场景相关，就是实际每次推荐系统需要输出几个结果。

TopK准确度计算方式如下：
如果日志中用户有A、B两个物品有正反馈行为，推荐系统退出一个物品列表，长度为k,这个列表中就与可能包含A、B两个物品中的一个或多个，下面这个表格就说明了TopK准确率和TopK召回率的含义。

这三个指标，比较直观地反映了推荐系统在预测这件事对数据开采的深度，实际上由于模型不同，还可以有不同的指标，也可以自己设计指标。但这三个指标也属于比较初期的指标，距离最终商业指标还有异地昂的距离。

通常检测推荐系统的商业指标有：点击率，转化率。其实把用户从打开你的应用或者网络开始，到最终完成一个消费，中间要经历数个步骤，也是大家常说的漏斗转化过程。

推荐系统如果在其中某个环节起作用，那么就要衡量那个环节的转化率，这个相比前面三个指标，更加接近真实效果。

除了比列类的商业指标，还要关注绝对量的商业指标，常见的有：社交关系数量，用户停留时长，GMV(成交额)，关注绝对数量，除了因为它才是真正商业目标，还有一个原因，是要看推荐系统是否和别的系统之间存在零和博弈情况。

假如推荐系统导流效果提升，搜索引擎导流下降，从整个平台来看，因为整个平台的商业目标并没有那么成绩喜人，也需要警惕。

讲完深度类指标，下面进入广度类指标。
4.覆盖率。这项指标就是看推荐系统在多少用户身上开采成功了，覆盖率有细分为UV覆盖率和PV覆盖率。UV覆盖率计算方法是：
$$CO{V}_{uv}=\frac{N_{l>c}}{N_{uv}}$$

解释一下，首先要定义有效推荐，就是推荐结果长度保证在c个之上，独立访问的用户去重就是UV,有效推荐覆盖的独立去重用户数除以独立用户数就是UV覆盖率。PV覆盖率计算方法类似，唯一区别是计算时分子分母不去重。
$$CO{V}_{pv}=\frac{N_{l>c}^{\ast }}{N_{pv}^{\ast }}$$

5.失效率 。失效率指标衡量推荐不出结果的情况。也分为UV失效率和PV失效率。UV失效率计算方法是：
$$LOS{T}_{uv}=\frac{N_{l=0}}{N_{uv}}$$

分子是推荐结果列表长度为0覆盖的独立用户数，分母依然是去重后的独立访问用户数。PV失效率也一样，区别是不去重

$$LOS{T}_{pv}=\frac{N_{l=0}^{\ast }}{N_{pv}^{\ast }}$$

6.新颖性

对于用户来说，总是看见相同的内容会让他们审美疲劳，所以对用户来说，推荐的物品要有一定的新颖性。新颖性需要讲粒度，物品粒度。标签粒度，主题粒度，分类粒度等等。每个粒度上 评价用户没见过的物品比例。对于物品级别的新颖性，更多是靠直接过滤保证。

7.更新率
检测结果更新程度。如果推荐列表每天几乎一样，显然不可取，尤其是新闻资讯类，要求每次刷新都不一样，对更新频率要求更高。更新频率可以有很多衡量方式，有一种衡量每个推荐周期和上个周期相比，推荐列表中不同物品的比例。这个周期，可以是每次刷新，也可以是每天。

$$UPDATE=\frac{△N_{diff}}{N_{last}}$$

总结

推荐系统作为一种AI系统，其测试方法不完全相同于传统软件功能测试。对于推荐系统，也有一定的单元测试，扫描业务规则，对系统做一票否决制，因为这些业务规则定义明确。
除此之外，还要先经历离线模拟，再线上小范围实测，这部分测试就是在践行数据驱动。这部分指标主要在回答系统的两个问题。
1.系统表现有多好?
2.系统还能还多久？
只要系统现在表现好，并且系统生命力强，那么你的推荐系统就是好的推荐系统，这些指标就是在忠实反映这两个侧面的。

但是，光靠数据驱动，又容易走入歧途，还需要常常审视这些指标到底是否真实反映系统状态，所以还需要对用户做调查访谈，深入群众，听取最真实的感受，回来重新看看自己的指标是否合理，是否需要重新设计指标。