?電商環境下的個性化推薦，主要包含三大維度的模塊，針對用戶的候選召回（Match），候選商品的精排（Rank），以及線上的策略調控（Re-rank）。而Match（召回）和Rank（排序）是推薦流程非常關鍵的兩步。

一、Match

Match即有效和豐富的召回，從全量商品（還包括feed和視頻等）集合中根據用戶行為和屬性信息觸發盡可能多正確的結果，并將結果返回給Rank。

推薦不同與搜索，在沒有明確Query觸達的情況下，用戶的Match召回就顯得尤為重要，希望相關性的信息盡可能的豐富。

因此Match面對的是整個商品庫集合，需要保留盡可能多的相關結果，剔除相關性較弱的結果，降低對后面鏈路的壓力。

由此需綜合利用多種信息，比如用戶信息（年齡、性能、購買力等）、類目信息、店鋪信息、文本信息等。從而既保證高召回率，又要保證高的準確率。Match結果的好壞，對整個結果有重要的影響。

Match召回策略主要包含兩大類：基于內容匹配的召回和基于協同過濾的召回。

前者主要是基于用戶的畫像信息和商品的內容信息進行匹配召回。這種方式召回率較高，但精度較差，比較適用于冷啟動的語義環境。

后者主要是基于用戶和商品之間的行為矩陣，通過一系列策略得到用戶和候選商品之間的相關性；這種方式精度較高，但存在一定程度的冷啟動問題。協同過濾是當前推薦依賴的基礎策略。

二、Rank

Rank即精排，通過一個準確的預估模型對Match階段海選的商品進行精準打分，并根據打分結果進行排序截斷，決定最終向用戶展示的結果順序。

Rank模型兩大要素為特征抽取和打分模型學習訓練。

特征抽取的第一步也是最為重要的一步就是清洗日志，曝光日志可以通過日志埋點進行過濾，并結合更準確的搜索、點擊、收藏等用戶行為日志，進行User_id和Item_id維度的聚合，最終將兩份日志Join在一起構造為用戶特征樣本。

特征抽取除了基本屬性特征，如user_id,item_id,user的年齡性別等人群特征，有小時級或分鐘級回流的準實時反饋特征，還包括user端和item端雙向交叉特征，如user在不同類目下的偏好程度，item在不同性別年齡購買力人群下的ctr等。

除了用戶實時特征外，還會進行離線模型的日志及特征的接入、預處理以及離線特征的統計工作，作為實時特征的補充，這里處理長期興趣的統計類特征的準備以及各種平滑過濾邏輯，在數據側提供了保障。

打分模型主要分為CTR與CVR預估模型，在展示商品前，結合用戶歷史行為&商品&場景信息，預估展示商品之后用戶是否會點，或點擊之后是否會購買，從而在Rank時有不同的CTR與CVR傾向。

目前，成熟的排序模型都是多維度分數融合排序，獲取多個維度的預估分，包括CTR預估，CVR預估，筆單價和商品毛利潤，根據業務指標進行調控，計算最終的RankScore。

三、End

推薦算法是Match與Rank的聯動協同。當用戶Match模型，召回的內容較少時，Rank排序則無較大的發揮空間。當用戶的行為豐富，更容易獲取召回了，Rank排序則能發揮更大的效用。

#專欄作家#

Link，微信公眾號：從0到1（aboutlink），人人都是產品經理專欄作家。美團點評產品經理，負責億級用戶平臺，專注于O2O，用戶產品設計，數據分析等領域。

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自unsplash，基于CC0協議