推荐中台背景•推荐中台架构•推荐中台实践问题一：推荐形式不同问题二：推荐实体不同问题三：推荐需求不同•业务对接效果

本文解析了推荐标的的筛选逻辑，并详细罗列了重点标的推荐。

腾讯PCG推荐应用简介推荐场景应用于社交，信息流，长视频，短视频，新闻，应用商店，电商，音乐，文学Venus机器学习平台可编程、可视化、可扩展、可调式，工业化机器学习平台无量深度学习框架分布式、异构计算、海量稀疏特征、训练推理深度学习框架。

推荐系统是大数据/AI变现最成功的技术“Amazon35%的收入来源于它的推荐引擎”“Netflix用户观看的内容有80%来自其推荐算法”；协同过滤：简单可解释，适用关联推荐场景线性模型：引入了属性特征，简单易实现因子机模型：二阶特征的自动组合深度模型：高维特征的自动组合。

目前大家都在谈存量市场，觉得存量之争关键是留住自身老用户，于是强化了置换补贴等政策。 易车研究院认为通过置换补贴等留住自身老用户仅是角逐存量车市的第一步，仅能盘活现有基盘，且转化率非常低，尤其是广大入门品牌，目前的忠诚度仅有10%左右。角逐存量关键要发挥群众力量，如能实现广大用户发自内心推荐自身品牌，不仅能基于自身基盘创造增量，还能抢夺竞品存量。意味着只要能获得更多用户推荐，特斯拉、蔚来等保有量非常少的新势力品牌，也能成为存量车市的有力竞争者。 继发布品牌忠诚度之后，易车研究院正式发布“品牌净推荐率”报告，助力车企、经销商等易车广大客户，更好衡量、发现角逐存量车市的能力、机遇。

报告探讨了人工智能至信息检索与推荐得相关概念，同时从技术、人才等展开分析。

.输入（数据）升级:大量中间特征=>原始行为，原始数据模型（对特征的利用）升级：LR=>GBDT+LR=>FM=>DNN=>DeepFM=>..输出（目标）升级:单目标，短期目标，强监督目标=>多目标，长期目标,弱监督强化目标、自监督任务吴恩达的二八定律：80%的数据+20%的模型=更好的机器学习但很多常见深度推荐算法的改进集中在模型对特征的利用升级上而我们18年末同时尝试从数据层面利用更多原始行为的输入升级。

基于用户的协同过滤，先使用统计技术寻找与目标用户有相同喜好的邻居，然后根据目标用户的邻居的喜好产生向目标用户的推荐。¾基于物品的协同过滤，根据所有用户对物品的评价，发现物品间的相似度，然后根据目标用户的历史偏好信息将类似的物品推荐给该用户。

本文通过对比价值/成长公司在基本面改善/恶化的不同状态下收益的表现，证明了预期偏差导致了价值/成长的收益差。我们发现价值溢价效应在财务指标与隐含业绩预期冲突的公司中表现尤为显著。分析师对未来的预测误差，业绩预期修正，盈利公告窗口期效应和动量反转现象都能作为可预测的预期误差存在的证据。总之，结果表明，价值溢价效应是错误业绩预期的产物，并且可以通过基本面分析来预测。

NPS模型可以简单的被理解为两个主要部分，第一个部分是根据用户对一个标准问题的回答来对用户进行分类，这个问题的通常问法是：“你有多大可能把我们（或这个产品/服务/品牌）推荐给朋友或同事？请从0分到10分打分”。推荐者（得分在9－10之间）：对产品/服务认可，积极地将产品/服务推荐给亲人朋友。中庸者（得分在7－8之间）：对产品/服务总体满意但并不积极，同时会考虑其他竞争对手的产品/服务。贬损者（得分在0－6之间）：对产品/服务使用体验并不满意或者对你的公司没有忠诚度。NPS=推荐者%-贬损者%另外一个部分是在第一个问题基础上进行后续问题提问：“你给出这个分数的主要原因是什么？”，为用户提供反馈问题和原因的闭环流程。因此，NPS的核心思想是按照忠诚度对用户进行分类，并深入了解用户推荐或不推荐背后的原因，鼓励企业采取多种措施，增加推荐者和减少批评者，从而赢得企业的良性增长。

数据跟产品的结合Stitch Fix的模式，数据科学渗透到产品环节数据跟人的结合人机耦合推荐搭配，人机耦合的挑战数据科学的职能数据科学做什么，需要哪些素质，与其他学科的关系。

本文通过销售服务年度NPS平均值及全国区域情况、售后服务年度NPS平均值及全国区域情况，对“倾听客户之声”尼尔森汽车服务用户净推荐值调研进行了全面解析。

本报告为中泰证券2019年12月对各行业观点及重点推荐标的。目前的市场状态，明显缺少持续性的板块带动人气，板块之间衔接不畅，大消费继续受年末保业绩调仓冲击，周期股具备安全边际但持续性略差，科技股整体估值瑕疵明显，金融板块亦缺少足够的向上动力。

阿里巴巴在职6年，专注搜索推荐及大数据研发方向，目前负责阿里个性化平台技术架构，是目前集团业务规模最大的serverless平台，经历了双11大促百万级QPS稳定性考验，不断在挑战双11技术极限和想象力。团队以“让天下没有难开发的业务”为slogon，支持集团业务的快速迭代和创新，追求让用户真正只关心自己的业务逻辑。