博客 > 人工智能&数据科学 > 具体业务处理 > 推荐系统
# 推荐系统部署时的A/B测试最佳实践 ## 分桶 主要用于构造对比试验 ![4f446801b411fd5d2e29bbd6984c1ffc.png](/resources/0b6055d777dd485fb01cdb1f73a34f20) 推全:将某个实验桶的参数推广到全部桶中 ## 分层分桶 用于隔离和细化各层对比试验对总体业务的影响 ![cfe9cfc46407aa584ed525f1f539ba85.png](/resources/174c91cc770b4e53a28aff8bb12a1f56) ## 层次化分层分桶(Holdout机制) 对过于细化的分层分桶结构,再保留一个粗粒度对照组 ![f95e98aaf6e7eb39e3ada96e9d4a4eb7.png](/resources/8c49e25c65c9479c8d4f2ffdcb7c8b83) ## 预推全(成为发布层) 将某层已经可以推全的某个桶的参数(预推全参数)固化为该层的基础参数,从而放弃对这个桶的占用,使得该层的桶可以用于其他实验。此时这一层将成为发布层,其中的原始参数被替换为预推全参数 其中可仍然保留对照组(对照桶)用于大流量的对比试验,称“反转实验”。 预推全起初不影响粗粒度的桶(如holdout),其仍然使用原始参数。随着推全过程逐渐深入,粗粒度的桶内的参数一级一级变更为预推全参数。直至所有100%的流量都使用预推全参数,推全即完成,预推全参数也就变成了整个模型下一轮迭代时使用的原始参数