E 起 See See： 電商推薦讀心術？ 數據說了算！ LINE EC Data Intern, Jenaya Lin 

01 02 03 推薦版位與推薦架構 推薦結果分析 團隊介紹 CONTENT 

Jenaya Lin LINE TechFresh EC Data Team Master's Student, NCCU MIS 

職能介紹 Data Scientist 4 Data Engineer Machine Learning Engineer • ML Theory, Algorithm • Data Analysis • Data Pipeline • Database • Platform • Model Implementation • Tuning • MLOps 

可以在這邊 找到我們！ EC 5 

推薦 版位 商店推薦 6 商品推薦 文章推薦 

Data Extraction Extract raw event logs from Hive tables 推薦架構 7 Feature Engineering Model Training Generation Preparing user-side behavioral features and item-side features Train embeddings with Two-Tower architecture Orchestrate DAG pipelines for personalized & trending inference 

離線 v.s. 線上評估 8 • 環境：使用歷史數據 • 目的：在模型上線前，驗證模型對於已知用戶 行為的預測能力 • 優勢：迭代速度快、不會影響實際用戶 • 缺點：缺乏商業指標、與真實環境存在差距 • 環境：真實環境 • 目的：衡量推薦系統對業務指標（如點擊率 、轉換率）的實際貢獻 • 優點：反映真實商業價值、捕捉動態反饋 • 缺點：時間與工程成本高、具備業務風險、 易受外在因素干擾 離線評估 (Offline Evaluation) 線上評估 (Online Evaluation) 

離線評估 線上與離線評估比較圖 - 檢驗兩者趨勢是否相同 1 2 除 5/7 外，線上與 離線評估趨勢一致 

離線評估指標 9 公式 意義 Precision@10 前 10 筆命中數 / 10 推薦前 10 筆中「命中」的比例 Recall@10 前 10 筆命中數 / 該用戶 label 總數 所有喜好商品中，前 10 筆能抓到幾個 MAP AP = Σ(P@i × rel(i)) / |labels|， 再取用戶平均 考慮命中位置的加權 Precision，越靠前的命中 越加分 NDCG@10 DCG@10 / IDCG@10， DCG = Σ rel(i)/log₂(i+1) 位置折扣累積增益，命中越靠前分數越高，以 理想排序做歸一化 MRR 1/rank(第一個命中) 取用戶平均 第一個推薦命中的排名越前越好；只看「有沒 有猜到最重要的一個」 

離線評估 商品推薦 - 七天內各項指標個人化與流行推薦 1 0 個人化推薦很成功/ 消費者的需求明確 且分散 

離線評估 商店推薦 - 七天內各項指標個人化與流行推薦 1 1 個人化推薦仍有進步 空間/用戶話題集中 

實習心得 

LinkedIn: jenaya-lin