一、什么是AARRR模型，以及为什么它如此受欢迎？

让我们深入了解Dave McClure的模型。

AARRR代表：

用户拉新Acquisition
用户激活Activation
用户留存Retention
用户推荐Referral
商业收入Revenue

二 、RARRA模型

是托马斯·佩蒂特Thomas Petit和贾博·帕普Gabor Papp对于海盗指标-AARRR模型的优化。RARRA模型突出了用户留存的重要性。

用户留存Retention：为用户提供价值，让用户回访。
用户激活Activation：确保新用户在首次启动时看到你的产品价值。
用户推荐Referral：让用户分享、讨论你的产品。
商业变现Revenue：一个好的商业模式是可以赚钱的。
用户拉新Acquisition：鼓励老用户带来新用户。

（联想到拼多多砍一刀，以及现在很多的帮砍帮抢现象）

三、ABtest

无法衡量就无法优化，对于互联网产品而言，不仅是推荐系统，整个app系统的更新迭代必然需要建立一套度衡量，来把控整个流程优化的方向，而ABtest系统就是一个很好的进行变量控制和优化方向选取的工具，循环：衡量-发现-迭代-验证。所谓精细化迭代是一种建立在数据基础上的思维方式——用较少的成本获得较好的成果。

无数据，不优化，线上分流实验是推荐算法优化的必由之路。并且ABtest不仅是推荐迭代的利器，它还可服务于所有需要足部完善的产品迭代。或许有人会有疑惑，为什么需要AB test，为什么不前后进行实验比较，因为：同时期测试的AB test非常有必要的原因是不同时间的测试无法说明b比a好，因为通常时间也是一个变量，比如电商的双十一的商品CTR（或者是CVR）会比平时明显增加。

四、有哪些回归类型？

线性回归（Linear Regression）

逻辑回归（Logistic Regression）

多项式回归（Polynomial Regression）

逐步回归（Stepwise Regression）

岭回归（Ridge Regression）

套索回归（Lasso Regression）

弹性回归（ElasticNet Regression）

七种回归

五、几种分类模型

二分类

多类别分类

多标签分类

不平衡分类

几种分类模型

六、几种聚类模型

1.分隔聚类：
需要先确定分成的类数，在根据 类内的点都足够近，类间的点都足够远的目标去做迭代。
常用的有K-means，K-medoids，K-modes等，只能针对数值类的分类，且只能对中等量级数据划分，只能对凸函数进行聚类，凹函数效果很差。

2.密度聚类：
有效的避免了对分隔聚类下对凹函数聚类效果不好的情况，有效的判别入参主要有1:单点外的半径2：单点外半径内包含的点的个数
DBSCAN为主要常见的算法，可优化的角度是现在密度较高的地方进行聚类，再往密度较低的地方衍生，优化算法： OPTICS 。

3,网格聚类：
将n个点映射到n维上，在不同的网格中，计算点的密度，将点更加密集的网格归为一类。
优点是：超快，超级快，不论多少数据，计算速度只和维度相关。
缺点：n维的n难取，受分布影响较大（部分行业数据分布及其不规则）

4.模型聚类：
基于概率和神经网络聚类，常见的为GMM， 高斯混合模型。缺点为，计算量较大，效率较低。
GMM：每个点出现的概率：将k个高斯模型混合在一起，每个点出现的概率是几个高斯混合的结果