3、如何评估推荐质量
一个信息流产品，不会仅仅使用一种算法模型，通常会进行分流。占大比重的是经过验证的稳定模型，同时，会有多个占小比重的实验模型。
要评估这些实验算法模型的效果，采用的评测指标主要为以下三项：
准确率：推荐列表里，多少比例的文章，是用户读过的
召回率：推荐列表中，用户读过的文章，占用户阅读记录的比例
覆盖率：推荐列表里的文章，占文章库总数的比例
举例来说，文章总量为 100，用户实际看了 10 篇文章。最终实验模型推荐了20篇文章，用户看过的有 8 篇。准确率为 40%，召回率为 80%，覆盖率为 20%。
除此以外，还需关注的核心业务指标：
UV 转化率：阅读 UV / 曝光 UV，反映多少比例的曝光用户转化为阅读用户
PV 转化率：阅读 PV / 曝光 PV，反映文章的平均转化情况
人均篇数：阅读 PV / 阅读 UV，反映内容消费深度
人均阅读时长：阅读总时长 / 阅读 UV，反映内容消费深度
为什么要看多个指标，不能只关注点击率呢？是因为一味追求点击率，会鼓励「标题党」，导致用户文章阅读完成度降低，最终影响产品调性，造成深度用户流失。
4、影响推荐效果的因素
影响信息流推荐效果的因素，并不仅仅只有算法模型。事实上，由于自建模型的难度很高，造成差异的往往是算法外的因素。
首先，强大的内容库是一个信息流产品的基础。内容的多样性、数量、质量、时效如果得不到保障，推荐效果根本无从谈起。譬如，今日头条、网易新闻这种量级的产品，内容每日入库量至少超过 500k，可推荐集要超过 200k。
其次，一些交互细节及业务参数的调优，也会对最终的效果产生非常大的影响。
