大家好,今天小编来为大家解答以下的问题，关于交易平台满意度评价指标，如何评价推荐系统的结果质量这个很多人还不知道，现在让我们一起来看看吧！

本文目录

1. 闲鱼优质评价怎么弄出来
2. 如何评价推荐系统的结果质量
3. 消费者信用的网络评价体系

一、闲鱼优质评价怎么弄出来

1、随着二手交易市场的不断扩大和用户体验要求的不断提高，闲鱼平台不断推出一系列优质服务，保障用户交易安全和满意度。在闲鱼上，用户可以通过买家秀、卖家信誉、交易评价等方式了解到商品的真实情况，同时也可以根据用户之间的评价了解到卖家或买家的真实信誉和交易情况。其中，优质评价是一个重要的评价指标，下面我们来具体了解一下。

2、首先，什么是优质评价？在闲鱼平台上，如果买家对卖家的服务态度、物品品质和描述的准确程度等方面都非常满意，就可以给卖家“五星好评”或“优质评价”。这些优质评价可以让其他用户更好地了解卖家的产品质量和服务水平，同时也是卖家提高信誉的关键因素之一。

3、那么，如何在闲鱼上得到优质评价呢？首先，卖家需要准确描述商品信息，如商品的尺寸、材质、颜色等，还应该提供足够清晰的图片，使买家能够更好地了解商品的真实情况。其次，卖家还需要积极与买家沟通，及时回复买家的问题和疑虑，并在买家下单后尽快发货。最后，在交易完成后，卖家还需主动询问买家是否满意，并在买家确认收货后尽快发出评价，这样既可以促进交易，也能提高自身的信誉度和评价得分。

二、如何评价推荐系统的结果质量

要根据不同的推荐场景，因地制宜的选择合适的评估方法。推荐场景，与推荐内容，展现方式，满足用户需求有关。

推荐的目的：电影推荐，目的是快速选出想看的电影，需要评分，简介，海报，用户停留时间越长，满意度越低，因为用户选不出；短视频推荐，目的的让用户在app停留时间足够长，多样性新颖性更重要

推荐电影短视频商品新闻小说歌曲个性化信息流feed推荐，相关推荐热门推荐，推荐场景有很多

短视频：用户粘性，浏览时长，短视频制作方的曝光和生态，是关键考核因素。

TOP-N推荐：展示数量有限，有先后次序，对结果的准确率要求高，因此，推荐结果的前N条点击率CTR（click-through-rate）是常见指标，计算方式为点击/曝光

推荐结果有明显顺序关系的，app从上到下展示，需要有位置衰减因素，如NDCG(Normalized Discounted Cumulatie Gain)MRR(Mean Reciprocal Rank)MAP（mean average precision）。

feed流：常用点击/曝光即曝光点击率来衡量推荐质量，PV点击率（点击量/总 PV）、UV点击率（点击量/总 UV）也是Feed流中常用方法

电商：推荐核心目的是促成交易，推荐带来的交易笔数占总交易的占比，或总交易金额与GMV的比例，是最直接的评价指标

从推荐激发购物者兴趣，到用户完成订单，有漫长的操作链条，所以还可以分解动作以更好的衡量每个环节的效果。例如加购物车率（通过推荐引导的加购物车数量/推荐曝光总数），商品详情页阅读率（通过推荐引导进入商品详情页数量/推荐曝光总数）等

广告点击、曝光：新闻资讯、短视频、免费小说漫画阅读类APP，广告作为主要收入来源，要扩大用户在APP上的停留时间和促进广告点击，因此用户平均停留时长、推荐引导下的成功阅读次数等，作为衡量标准

离线数据采集通常很难做到完全细致全面的情况下（例如大量用户的隐式反馈数据很难完整记录，因为性能代价太大）

使用大数据算法竞赛，采用静态评估方法计算。

例如在电影、电视剧的推荐中，用户-物品评分矩阵（User-Item-Rating）就是常用于离线评估，在学术界尤其常见。因为高校、学术界很难接触真实线上环境，用离线评估是比较方便来评估算法好坏的，也算是学术界的无奈吧。

在线评估可以随时进行abtest，缺点是，线上环境复杂，会受到其他干扰因素影响，未必能反应推荐算法效果的好坏；一些指标很容易受到攻击和作弊，运营活动也会有干扰；流量占比过小时，数据抖动很大，abtest的效果未必能体现真实效果。

离线评估的结果和在线测试的结果可能南辕北辙。离线测下来效果顶呱呱的算法，上线后可能石沉大海一点浪花也看不到。这也恰好证明了正确选择评估方法是多么重要。

推荐的内容如果都来源于平台自身，那么往往只需重点考虑平台关键运营指标最大最优，例如达成更多的交易提升 GMV，或者读者的留存率更高，或者提升整个平台用户的活跃度等就行。

但是比如抖音的内容来自各个发出者，这些人依赖平台推荐，增加曝光率来获利，因此平台要从自身的生态平衡和系统长期健康角度出发，考虑让出一些曝光给长尾UGC或者PGC，避免被顶流占据，同时扶植更多中小内容创作者让生态更加繁荣。这时评价指标要包含内容来源覆盖率，多样性等指标。

研究表明主流的推荐算法（比如协同过滤）都是具有马太效应的，基尼系数用来评测马太效应的强弱的，如果 Gini1是从初始用户行为中计算出的物品流行度的基尼系数，Gini2是从推荐列表中计算出的物品流行度的基尼系数，如果 Gini2> Gini1则说明推荐算法具有马太效应。

评价指标一定不能只单纯看重点击率、转化率等量化指标，因为如果只用这些指标来优化算法，最终结果一定是低劣内容会充斥着版面，降低整个平台的格调。

在推荐系统评估时大家往往语焉不详的“惊喜度”（Serendipity）、“新颖性”（Novelty）等，往往就是在人性揣测的方面进行探索。

这些指标计算时最大的难点是评价指标偏主观，很难直接使用在线行为计算。一般只能用事后问卷或者用户对内容的评价评分、转发等行为来间接佐证。或者以 7日或者 N日留存率等来判断用户对推荐结果整体的满意度。（达观数据陈运文）

基于用户的整体式评估，会让推荐算法导向满足“大多数人口味”的推荐结果，但这背离了千人千面的个性化的初衷。我们期望社群里不同的人都能通过推荐来形成满意的体验。小众的人群偏好往往会淹没在整体数据中，我们一线的算法工程师经常有体会，就是某个新的推荐算法上线后，看整体指标明显好很多了，但是你的领导/客户可能来投诉，说感觉推给他的东西感觉没以前好了。个体和群体经常存在类似的矛盾。某个推荐算法可能对整体有利，但对其中另一类人未必如此。

理想的做法是将其中的人群进行细分，例如电商网站中既有价格敏感型的大众用户，也有追求品质的高端用户。在计算指标时如果划分不同人群来计算，更能体现推荐效果作用后的具体差异。例如我们期望新用户能迅速完成交易并沉淀下来，那么针对这群人的推荐指标，下单率和次日或 7日留存就非常重要。而针对高端人群的则有所不同。个体的差异性和小众品味要得到更大程度的重视。

在同一个推荐 APP或产品里，不同位置的推荐需要针对性的设置推荐评价指标。前文中提到的不同位置、不同场景，推荐指标制定规则可以有所不同。例如首页首屏的 banner推荐（Top-N推荐），信息流 Feed推荐，内容详情页下面的相关推荐（常用 precision-recall或者 F1-score）来计算。还有在搜索无结果页、购物车页面，退出确认页等等，不同的位置一定需要因地制宜的选择适合的评价指标。

每个指标都有局限性，推荐系统需要平衡很多因素(商业、用户体验、技术实现、资金、人力等)，怎么做好平衡是一种哲学。通常可以把几个因素加权求和来作为整体指标

指标的选择和产品主打定位有关系。例如一个特别强调内容快速新鲜的 APP，那么结果的时效性就应该占更大的权重。而一个强调格调品味的 APP，单篇阅读时长就显得更可贵。而强调社群活跃度的平台，用户对内容的分享率，互动率等，在整体指标中要更突出。（达观数据陈运文）

在产品运营的不同阶段，倾向性不同指标的选择也应该有所不同。产品上线前期可能要照顾用户体验，大力拓展新用户。当用户量足够多后，可能会侧重商业变现(推荐的付费视频，在列表中插入较多广告等)，想办法通过推荐让产品尽快盈利。如果是电商类推荐，要细致的考虑用户购买前和购买后的差异，以及标品和非标品的差异。购买前往往可以多推荐同类产品以更好的让用户进行比选。当购买动作完成后，尤其是耐用消费品，再继续推荐就适得其反了。

推荐系统本质上就是让每个消费者满意，这些指标只是从不同的角度来衡量“满意”这件事情的程度高低。在此小结下常见的指标种类，包括如下几种类型：

场景转化类指标：曝光点击率，PV点击率，UV点击率，UV转化率，加购物车率，分享率，收藏率，购买率，人均点击个数，CTR，AUC等

推荐内容质量指标：结果多样性（Diversity），结果新颖性（Novelty），结果时效性（timeliness），结果信任度(Confidence& Trust)等

内容消费满意度指标：留存率，停留时长，播放完成率，平均阅读时长，交易量，沉浸度（Engagement），惊喜度(Serendipity)等

在同一个推荐场景下，指标不宜过多，因为太多了不利于最终优化决策，把握准每个场景核心发挥的作用的几个推荐指标就行。但也不能只有一个指标，因为过于单一的指标会把推荐算法的优化引入歧途。迷信单一的指标表现好不能说明产品好，而且物极必反，过度优化后的指标虽然上去了，但用户的体验往往会降低。

很多推荐评价指标本身也是脆弱和易受攻击的，一些推荐算法如果严重依赖各类反馈指标来自动优化结果，往往会被恶意利用，所以既要灵活运用推荐评价指标，又不要完全迷信技术指标。因为指标背后体现的是用户的人性。在商业利益和人性之间拿捏到最佳平衡点，是推荐系统开发、以及推荐效果评估的至高境界。

三、消费者信用的网络评价体系

2、CA认证中心授予个人数字证书、网站证书和服务器证书

三、著名网络交易平台对消费者个人信用管理方法

3、个人征信 4分-10分 251分-500分

151分-250分 5001分-10000分易趣的信用评价体系十分简单，与淘宝类似。用户的信用评价分数达到 10分或 10分以上时，易趣就会奖励其信用星星。用户信用度按如下规律变化：好评得+1分，中评得 0分，差评得-1分。

10分或更高信用度的已认证用户都会被授予信用星星。用户交易完成后系统会自动发送调查Email进行客户服务跟踪调查，用户可以根据调查的内容对商户满意度进行评分，用户在评价时必须谨慎行事并作出正确的评判，您的评价直接影响商户的信誉等级。

搜易得制定一套完善的经销商信用评定体系，结合消费者对商户服务的满意度（包括定单处理、配送时效、服务态度、产品品质等方面）的调查反馈单，和收到该商户的投诉比率情况进行信用评估，在技术上突破了其它网站因商户信用评估体系欠缺完善所导致混杂着具有欺骗行为的假信用等级现象。阿里巴巴的诚信指数根据以下四项指标进行评分，计算方法简单实用：

(1) A&；V身份认证：与华夏信用公司联合进行第三方身份认证 10分

(2)网商经验值：阿里巴巴诚信通的使用时间， 1年加10分，连续

(4)会员评价：1个好评2分，建议：0分，差评：－2分

好了，文章到此结束，希望可以帮助到大家。