已知参与计算的各个feature，如何去确定每个feature的权重呢？本文将为大家介绍一种相对科学的办法，来处理这种多因子权重设置的问题。

数据处理领域，在进行相关指标计算的时候，一个指标通常有若干了因子（通常称之为feature，下同）参与计算，而每个因子对该指标的贡献度（通常称之为weight或contribution，下同）又不同，比如GMV，商品人气分，用户满意度等等。通常可以表示为如下公式：

这时，我们通常遇到下面这个问题：

已知参与计算的各个feature，如何去确定每个feature的权重呢？

夏唬人目前在做电商推荐策略相关的事情，经常遇到这种问题。

比如在物品（通常称之为item，下同）召回的时候，如何对每个item进行排序呢？

比如以人气分作为排序依据，那么通常会考虑销量，评价，浏览次数，下单次数，收藏次数，加购次数等等。

如果一味的按照经验去进行初始化权重，然后不停的A/B测试、权重调整，是一件研发成本特别高的事情。

今天就给大家介绍一种相对科学的办法来处理这种多因子权重设置的问题。

AHP

简单介绍一下什么是AHP？

层次分析法，简称AHP，它是一种运筹学理论。

是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。

“该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究”根据各个工业部门对国家福利的贡献大小而进行电力分配”课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。”

所以，AHP理论本质是通过把一个复杂的问题拆解为多个目标或准则，并且通过定性量化的方式为每个目标进行赋权的一个过程。

简单来说AHP就是拆解加赋权，下面详细讲一下过程。

AHP多因子赋权应用