概率基础：推荐系统里的那些百分比

推荐结果里常看到百分之八十五匹配度之类的数字，它未必是真实概率。很多模型输出的是打分，经过映射后才显得像概率。

真正的概率需要校准，常用方法包括保序回归和 Platt 缩放。校准后的分数才能解释为点击发生的可能性，也便于多模型融合。

独立事件和条件概率是理解推荐逻辑的基础。用户点击 A 之后点击 B 的概率，和单独点击 B 的概率往往不同，这就是条件概率的价值。

贝叶斯思维也很实用：先验加上新证据得到后验。冷启动时先验很重要，用户行为积累后，数据会逐渐主导判断。