目錄

一、引言

二、量綱對齊常見方法

2.1 Z-score標準化+Sigmoid歸一化

2.2?Min-Max 歸一化

2.3 Rank Transformation

2.4??Log Transformation

2.5 Robust Scaling?

3、總結

---

一、引言

類似抖音、快手、小紅書等產品的信息流推薦業務，主要通過信息流廣告、信息流直播電商等獲得經濟收益，對于流量最大的核心推薦系統，或多或少都要承擔商業指標，承接特定物料的曝光需求。但是廣告、直播電商或其他業務物料，會根據自己的需求進行排序，由于不是一套模型，業務場景數據也不一樣，插入物料的量綱與主推薦量綱必定不相同，隨之但是的就是無法比較問題，如何將不同的量綱對齊且可比呢，今天介紹常見的幾種方法。

二、量綱對齊常見方法

2.1 Z-score標準化+Sigmoid歸一化

Z-score標準化將數據轉換為均值為0、標準差為1的分布。公式如下：

其中：

• 是原始數據點
• ?是序列的均值
• 是序列的標準差

Sigmoid將均值為0、標準差為1的分布轉化為值域為0-1的分布。公式為?

Z-score+Sigmoid序列合并計算步驟

1. ?對每個序列分別計算均值和標準差。
2. 對每個數據點應用Z-score公式進行標準化。
3. 對標準化后的序列采用Simgoid歸一化到0-1后，進行比較。?

2.2?Min-Max 歸一化

Min-Max 歸一化將數據線性地轉換到一個固定的區間（通常是 [0, 1]）。公式如下：

其中：

• ?是原始數據點
• min是序列的最小值
• max是序列的最大值

序列合并計算步驟：

1. ?對每個序列分別計算最小值和最大值。
2. 對每個數據點應用上述公式進行歸一化。
3. 合并歸一化后的序列。??

2.3 Rank Transformation

Rank Transformation 將數據轉換為它們的秩次。公式如下：

序列合并計算步驟：

1. ?對每個序列分別計算每個數據點的秩次。
2. 合并秩次后的序列。?

2.4??Log Transformation

如果數據分布偏斜，可以使用對數變換來壓縮數據范圍。公式如下：

?序列合并計算步驟：

1. ?對每個序列分別應用對數變換。
2. 合并變換后的序列。?

2.5 Robust Scaling?

?Robust Scaling 使用中位數和四分位距（IQR）進行標準化，適用于存在異常值的數據。公式如下：

?

• 是序列的中位數
• 是序列的四分位距（即第75百分位數減去第25百分位數）?

?序列合并計算步驟：

1. ???對每個序列分別計算中位數和IQR。
2. ?對每個數據點應用上述公式進行標準化。
3. ?合并標準化后的序列。????????

3、總結

本文初步介紹了多種將不同量綱的多源物料轉換為同一量綱的方法，主要目標就是讓不同業務場景的推薦排序結果可以比較，通過公式化的序列轉換，快速達到可比的預期，計算效率更高。在實踐中，Z-score+Sigmoid方法更為實用。