推荐与证据仪表盘

目标

展示子题4的商品共现推荐结果，说明覆盖、质量、偏置和局限。

建议仪表盘名称：

LZ-组6_推荐与证据

重要性能提醒

recommendations 和 recommend_sample 都超过 2000 万行。不要做全表展示。推荐：

推荐样例展示用 recommendation_display_sample
推荐评估用 recommendation_evaluation
按商品查询 Top-5 时必须带 item_id 条件

卡片1：商品推荐覆盖率

保存名称：

KPI-商品推荐覆盖率

可视化：Number，格式为百分比。

SELECT
  metric_value AS `商品推荐覆盖率`
FROM recommendation_evaluation
WHERE metric_name = 'item_coverage_rate';

卡片2：完整 Top-5 覆盖率

保存名称：

KPI-完整Top5覆盖率

可视化：Number，格式为百分比。

SELECT
  metric_value AS `完整Top5覆盖率`
FROM recommendation_evaluation
WHERE metric_name = 'complete_top5_rate';

卡片3：同类目推荐占比

保存名称：

KPI-同类目推荐占比

可视化：Number，格式为百分比。

SELECT
  metric_value AS `同类目推荐占比`
FROM recommendation_evaluation
WHERE metric_name = 'same_category_recommendation_rate';

图表1：推荐评估指标

保存名称：

柱状-推荐评估

可视化：Bar

SELECT
  CASE metric_name
    WHEN 'item_coverage_rate' THEN '至少1条推荐覆盖率'
    WHEN 'complete_top5_rate' THEN '完整Top5覆盖率'
    WHEN 'same_category_recommendation_rate' THEN '同类目推荐占比'
    WHEN 'top_1pct_incoming_share' THEN '热门集中度'
    WHEN 'average_recommend_category_count' THEN '平均推荐类目数'
    WHEN 'fewer_than_5_candidate_items' THEN '候选不足5个商品数'
    WHEN 'no_candidate_items' THEN '无候选商品数'
    ELSE metric_name
  END AS `指标`,
  metric_type AS `指标类型`,
  numerator AS `分子`,
  denominator AS `分母`,
  metric_value AS `指标值`,
  definition AS `定义`
FROM recommendation_evaluation
ORDER BY metric_name;

图表2：推荐覆盖状态

保存名称：

饼图-推荐覆盖状态

可视化：Pie

SELECT
  coverage_status AS `覆盖状态`,
  COUNT(*) AS `商品数`
FROM recommendation_coverage
GROUP BY coverage_status
ORDER BY `商品数` DESC;

表格1：推荐展示样例

保存名称：

表格-推荐展示样例

可视化：Table

SELECT
  item_id AS `主商品ID`,
  abc_class AS `主商品ABC分层`,
  source_pv_count AS `主商品浏览量`,
  `rank` AS `推荐排名`,
  recommend_item_id AS `推荐商品ID`,
  co_occurrence_count AS `共现次数`,
  CASE same_category WHEN 1 THEN '同类目' ELSE '跨类目' END AS `类目关系`,
  category_id AS `主商品类目ID`,
  recommend_category_id AS `推荐商品类目ID`,
  candidate_count AS `候选数量`,
  method_version AS `方法版本`
FROM recommendation_display_sample
ORDER BY item_id, `rank`
LIMIT 200;

参数查询：指定商品 Top-5 推荐

保存名称：

查询-指定商品Top5推荐

可视化：Table

创建 SQL 问题后，Metabase 会识别 {{item_id_param}} 为变量。变量类型建议选择 Number，显示名称可填“商品ID”。

SELECT
  item_id AS `主商品ID`,
  `rank` AS `推荐排名`,
  recommend_item_id AS `推荐商品ID`,
  co_occurrence_count AS `共现次数`,
  CASE same_category WHEN 1 THEN '同类目' ELSE '跨类目' END AS `类目关系`,
  category_id AS `主商品类目ID`,
  recommend_category_id AS `推荐商品类目ID`,
  candidate_count AS `候选数量`,
  method_version AS `方法版本`
FROM recommendations
WHERE item_id = {{item_id_param}}
ORDER BY `rank`
LIMIT 5;

推荐默认测试商品：

表格2：热门推荐商品 Top100

保存名称：

表格-热门推荐商品Top100

可视化：Table

SELECT
  item_id AS `商品ID`,
  category_id AS `类目ID`,
  incoming_count AS `被推荐次数`,
  incoming_rank AS `被推荐排名`,
  incoming_share AS `被推荐占比`,
  cumulative_incoming_share AS `累计被推荐占比`,
  CASE is_top_1pct_recommended_item WHEN 1 THEN 'Top 1%' ELSE '非Top 1%' END AS `是否热门推荐商品`
FROM recommendation_bias_metrics
ORDER BY incoming_rank
LIMIT 100;

答辩口径

本推荐使用用户-商品隐式反馈共现，不抽样、不截断高活跃用户、不设置人为最低共现阈值。当前评估是离线结构评估，能说明覆盖率、同类目比例和热门集中度，但没有线上点击或购买反馈，因此不称为真实准确率。