中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

在電商領(lǐng)域，推薦的價(jià)值在于挖掘用戶潛在購買需求，縮短用戶到商品的距離，提升用戶的購物體驗(yàn)。

京東推薦的演進(jìn)史是絢麗多彩的。京東的推薦起步于2012年，當(dāng)時(shí)的推薦產(chǎn)品甚至是基于規(guī)則匹配做的。整個(gè)推薦產(chǎn)品線組合就像一個(gè)個(gè)松散的原始部落一樣，部落與部落之前沒有任何工程、算法的交集。2013年，國內(nèi)大數(shù)據(jù)時(shí)代到來，一方面如果做的事情與大數(shù)據(jù)不沾邊，都顯得自己水平不夠，另外一方面京東業(yè)務(wù)在這一年開始飛速發(fā)展，所以傳統(tǒng)的方式已經(jīng)跟不上業(yè)務(wù)的發(fā)展了，為此推薦團(tuán)隊(duì)專門設(shè)計(jì)了新的推薦系統(tǒng)。

隨著業(yè)務(wù)的快速發(fā)展以及移動(dòng)互聯(lián)網(wǎng)的到來，多屏（京東App、京東PC商城、M站、微信手Q等）互通，推薦類型從傳統(tǒng)的商品推薦，逐步擴(kuò)展到其他類型的推薦，如活動(dòng)、分類、優(yōu)惠券、樓層、入口圖、文章、清單、好貨等。個(gè)性化推薦業(yè)務(wù)需求比較強(qiáng)烈，基于大數(shù)據(jù)和個(gè)性化推薦算法，實(shí)現(xiàn)向不同用戶展示不同內(nèi)容的效果。

為此，團(tuán)隊(duì)于2015年底再次升級推薦系統(tǒng)。2016年618期間，個(gè)性化推薦大放異彩，特別是團(tuán)隊(duì)開創(chuàng)的“智能賣場”，實(shí)現(xiàn)了活動(dòng)會場的個(gè)性化分發(fā)，不僅帶來GMV的明顯提升，也大幅降低了人工成本，大大提高了流量效率和用戶體驗(yàn)，從而達(dá)到商家和用戶雙贏，此產(chǎn)品獲得了2016年度的集團(tuán)優(yōu)秀產(chǎn)品。為了更好地支撐多種個(gè)性化場景推薦業(yè)務(wù)，推薦系統(tǒng)一直在迭代優(yōu)化升級，未來將朝著“滿屏皆智能推薦”的方向發(fā)展。

推薦產(chǎn)品

用戶從產(chǎn)生購買意向，到經(jīng)歷購買決策，直至最后下單的整個(gè)過程，在任何一個(gè)購物鏈路上的節(jié)點(diǎn)，推薦產(chǎn)品都能在一定程度上幫助用戶決策。

推薦產(chǎn)品發(fā)展過程

推薦產(chǎn)品發(fā)展歷程主要經(jīng)歷了幾個(gè)階段（圖1），由簡單的關(guān)聯(lián)推薦過程到個(gè)性化推薦，逐步過渡到場景智能推薦。從相關(guān)、相似的產(chǎn)品推薦過渡到多特征、多維度、用戶實(shí)時(shí)行為、結(jié)合用戶場景進(jìn)行的全方位智能推薦。

圖1　推薦產(chǎn)品發(fā)展歷程

多屏多類型產(chǎn)品形態(tài)

多類型主要指推薦類型覆蓋到多種類型，如商品、活動(dòng)、分類、優(yōu)惠券、樓層、入口圖、文章、清單、好貨等。在移動(dòng)互聯(lián)時(shí)代，多屏場景非常普遍，整合用戶在多屏的信息，能使個(gè)性化推薦更精準(zhǔn)。多屏整合的背后技術(shù)是通過前端埋點(diǎn)，用戶行為觸發(fā)埋點(diǎn)事件，通過點(diǎn)擊流系統(tǒng)進(jìn)行多屏的行為信息收集。這些行為數(shù)據(jù)通過實(shí)時(shí)流計(jì)算平臺來計(jì)算用戶的興趣偏好，從而根據(jù)用戶興趣偏好對推薦結(jié)果進(jìn)行重排序，達(dá)到個(gè)性化推薦的效果。京東多屏終端如圖2所示。

圖2　京東多屏終端

推薦系統(tǒng)架構(gòu)

整體業(yè)務(wù)架構(gòu)

推薦系統(tǒng)的目標(biāo)是通過全方位的精準(zhǔn)數(shù)據(jù)刻畫用戶的購買意圖，推薦用戶有購買意愿的商品，給用戶最好的體驗(yàn)，提升下單轉(zhuǎn)化率，增強(qiáng)用戶黏性。推薦系統(tǒng)的業(yè)務(wù)架構(gòu)如圖3所示。

圖3　推薦系統(tǒng)的業(yè)務(wù)架構(gòu)

• 系統(tǒng)架構(gòu)。對外提供統(tǒng)一的HTTP推薦服務(wù)，服務(wù)京東所有終端的推薦業(yè)務(wù)。
• 模型服務(wù)。為了提高個(gè)性化的效果而開發(fā)的一系列公共的個(gè)性化服務(wù)，用戶維度有用戶行為服務(wù)和用戶畫像服務(wù)，商品維度有商品畫像，地域維度有小區(qū)畫像，特征維度有特征服務(wù)。通過這些基礎(chǔ)服務(wù)，讓個(gè)性化推薦更簡單、更精準(zhǔn)。
• 機(jī)器學(xué)習(xí)。算法模型訓(xùn)練階段，嘗試多種機(jī)器學(xué)習(xí)模型，結(jié)合離線測評和在線A/B，驗(yàn)證不同場景下的算法模型的效果，提高推薦的轉(zhuǎn)化率。
• 數(shù)據(jù)平臺。數(shù)據(jù)是推薦的源泉，包括數(shù)據(jù)收集和數(shù)據(jù)計(jì)算。數(shù)據(jù)雖然是整體推薦架構(gòu)的最底層，卻是非常重要的，因?yàn)閿?shù)據(jù)直接關(guān)系到推薦的健康發(fā)展和效果提升。

個(gè)性化推薦架構(gòu)

在起步初期，推薦產(chǎn)品比較簡單，每個(gè)推薦產(chǎn)品都是獨(dú)立服務(wù)實(shí)現(xiàn)。新版推薦系統(tǒng)是一個(gè)系統(tǒng)性工程，其依賴數(shù)據(jù)、架構(gòu)、算法、人機(jī)交互等環(huán)節(jié)的有機(jī)結(jié)合。新版推薦系統(tǒng)的目標(biāo)，是通過個(gè)性化數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)，將“千人一面”變?yōu)椤扒饲妗保岣哂脩糁艺\度和用戶體驗(yàn)，提高用戶購物決策的質(zhì)量和效率；提高網(wǎng)站交叉銷售能力，縮短用戶購物路徑，提高流量轉(zhuǎn)化率（CVR）。目前新版推薦系統(tǒng)支持多類型個(gè)性化推薦，包括商品、店鋪、品牌、活動(dòng)、優(yōu)惠券、樓層等。新版?zhèn)€性化推薦系統(tǒng)架構(gòu)如圖4所示。

圖4　新版?zhèn)€性化推薦系統(tǒng)架構(gòu)

個(gè)性化推薦系統(tǒng)架構(gòu)圖中不同的顏色代表不同的業(yè)務(wù)處理場景：數(shù)據(jù)處理部分（最底層綠色模塊），包括離線數(shù)據(jù)預(yù)處理、機(jī)器學(xué)習(xí)模型訓(xùn)練，以及在線實(shí)時(shí)行為的接入、實(shí)時(shí)特征計(jì)算。推薦平臺（藍(lán)色模塊），主要體現(xiàn)響應(yīng)用戶請求時(shí)推薦系統(tǒng)的各服務(wù)模塊之間的交互關(guān)系。推薦系統(tǒng)核心模塊：

• 推薦網(wǎng)關(guān)。推薦服務(wù)的入口，負(fù)責(zé)推薦請求的合法性檢查、請求分發(fā)、在線Debug以及組裝請求響應(yīng)的結(jié)果。
• 調(diào)度引擎。負(fù)責(zé)推薦服務(wù)按策略調(diào)度及流量分發(fā)，主要根據(jù)配置中心的推薦產(chǎn)品的實(shí)驗(yàn)配置策略進(jìn)行分流，支持按用戶分流、隨機(jī)分流和按關(guān)鍵參數(shù)分流。支持自定義埋 點(diǎn)，收集實(shí)時(shí)數(shù)據(jù)；支持應(yīng)急預(yù)案功能，處理緊急情況，秒級生效。
• 推薦引擎。負(fù)責(zé)推薦在線算法邏輯實(shí)現(xiàn)，主要包括召回、過濾、特征計(jì)算、排序、 多樣化等處理過程。
• 個(gè)性化基礎(chǔ)服務(wù)。目前主要個(gè)性化基礎(chǔ)服務(wù)有用戶畫像、商品畫像、用戶行為、 預(yù)測服務(wù)。用戶畫像包括用戶的長期興趣、短期興趣、實(shí)時(shí)興趣。興趣主要有性別、品牌 偏好、品類偏好、購買力等級、自營偏好、尺碼顏色偏好、促銷敏感度、家庭情況等。商品畫像主要包括商品的產(chǎn)品詞、修飾詞、品牌詞、質(zhì)量分、價(jià)格等級、性別、年齡、標(biāo)簽等。用戶行為主要獲取用戶近期行為，包括用戶的搜索、點(diǎn)擊、關(guān)注、加入購車、下單等。預(yù)測服務(wù)主要是基于用戶的歷史行為，使用機(jī)器學(xué)習(xí)訓(xùn)練模型，用于調(diào)整召回候選集的權(quán)重。
• 特征服務(wù)平臺。負(fù)責(zé)為個(gè)性服務(wù)提供特征數(shù)據(jù)和特征計(jì)算，特征服務(wù)平臺主要針對 特征數(shù)據(jù)，進(jìn)行有效的聲明、管理，進(jìn)而達(dá)到特征資源的共享，快速支持針對不同的特征進(jìn)行有效的聲明、上線、測試以及A/B實(shí)驗(yàn)效果對比。

個(gè)性化技術(shù)（橙色模塊），個(gè)性化主要通過特征和算法訓(xùn)練模型來進(jìn)行重排序，達(dá)到精準(zhǔn)推薦的目的。特征服務(wù)平臺主要用于提供大量多維度的特征信息，推薦場景回放技術(shù)是指通過用戶實(shí)時(shí)場景特征信息反饋到推薦排序，在線學(xué)習(xí)（Online-Learning）和深度學(xué)習(xí)都是大規(guī)模特征計(jì)算的個(gè)性化服務(wù)。

個(gè)性化推薦系統(tǒng)的主要優(yōu)勢體現(xiàn)為支持多類型推薦和多屏產(chǎn)品形態(tài)，支持算法模型A/B實(shí)驗(yàn)快速迭代，支持系統(tǒng)架構(gòu)與算法解耦，支持存儲資源與推薦引擎計(jì)算的解耦，支持預(yù)測召回與推薦引擎計(jì)算的解耦，支持自定義埋點(diǎn)功能；推薦特征數(shù)據(jù)服務(wù)平臺化，支持推薦場景回放。

數(shù)據(jù)平臺

京東擁有龐大的用戶量和全品類的商品以及多種促銷活動(dòng)，可以根據(jù)用戶在京東平臺上的行為記錄積累數(shù)據(jù)，如瀏覽、加購物車、關(guān)注、搜索、購買、評論等行為數(shù)據(jù)，以及商品本身的品牌、品類、描述、價(jià)格等屬性數(shù)據(jù)的積累，活動(dòng)、素材等資源的數(shù)據(jù)積累。這些數(shù)據(jù)是大規(guī)模機(jī)器學(xué)習(xí)的基礎(chǔ)，也是更精確地進(jìn)行個(gè)性化推薦的前提。

數(shù)據(jù)收集

用戶行為數(shù)據(jù)收集流程一般是用戶在京東平臺（京東App、京東PC網(wǎng)站、微信手Q）上相關(guān)操作，都會觸發(fā)埋點(diǎn)請求點(diǎn)擊流系統(tǒng)（專門用于收集行為數(shù)據(jù)的平臺系統(tǒng)）。點(diǎn)擊流系統(tǒng)接到請求后，進(jìn)行實(shí)時(shí)消息發(fā)送（用于實(shí)時(shí)計(jì)算業(yè)務(wù)消費(fèi)）和落本地日志（用于離線模型計(jì)算），定時(shí)自動(dòng)抽取行為日志到大數(shù)據(jù)平臺中心。算法人員在數(shù)據(jù)集市上通過機(jī)器學(xué)習(xí)訓(xùn)練模型，這些算法模型應(yīng)用于推薦服務(wù)，推薦服務(wù)輔助用戶決策，進(jìn)一步影響用戶的購物行為，購物行為數(shù)據(jù)再發(fā)送到點(diǎn)擊流，從而達(dá)到數(shù)據(jù)收集閉環(huán)。

離線計(jì)算

目前離線計(jì)算平臺涉及的計(jì)算內(nèi)容主要有離線模型、離線特征、用戶畫像、商品畫像、用戶行為，離線計(jì)算主要在Hadoop上運(yùn)行MapReduce，也有部分在Spark平臺上計(jì)算，計(jì)算的結(jié)果通過公共導(dǎo)數(shù)工具導(dǎo)入存儲庫。團(tuán)隊(duì)考慮到業(yè)務(wù)種類繁多、類型復(fù)雜以及存儲類型多樣，開發(fā)了插件化導(dǎo)數(shù)工具，降低離線數(shù)據(jù)開發(fā)及維護(hù)的成本。數(shù)據(jù)離線計(jì)算架構(gòu)如圖5所示。

圖5　數(shù)據(jù)離線計(jì)算架構(gòu)

在線計(jì)算

目前在線計(jì)算的范圍主要有用戶實(shí)時(shí)行為、用戶實(shí)時(shí)畫像、用戶實(shí)時(shí)反饋、實(shí)時(shí)交互特征計(jì)算等。在線計(jì)算是根據(jù)業(yè)務(wù)需求，快速捕捉用戶的興趣和場景特征，從而實(shí)時(shí)反饋 到用戶的推薦結(jié)果及排序，給用戶專屬的個(gè)性化體驗(yàn)。在線計(jì)算的實(shí)現(xiàn)消息主要來源于Kafka集群的消息訂閱和JMQ消息訂閱，通過Storm集群或Spark集群實(shí)時(shí)消費(fèi)，推送到Redis集群和HBase集群存儲。數(shù)據(jù)在線計(jì)算框架如圖6所示。

圖6　數(shù)據(jù)在線計(jì)算架構(gòu)

關(guān)鍵技術(shù)

推薦系統(tǒng)涉及的技術(shù)點(diǎn)比較多，考慮到篇幅有限，這里重點(diǎn)介紹個(gè)性化推薦中比較重要的部分。

推薦引擎

個(gè)性化推薦系統(tǒng)的核心是推薦引擎，推薦引擎的一般處理過程是召回候選集，進(jìn)行規(guī)則過濾，使用算法模型打分，模型融合排序，推薦結(jié)果多樣化展示。主要使用的技術(shù)是機(jī)器學(xué)習(xí)模型，結(jié)合知識圖譜，挖掘商品間的關(guān)系，按用戶場景，通過高維特征計(jì)算和海量召回，大規(guī)模排序模型，進(jìn)行個(gè)性化推薦，提升排序效果，給用戶極致的購物體驗(yàn)。

推薦引擎處理邏輯主要包括分配任務(wù)，執(zhí)行推薦器，合并召回結(jié)果。推薦器負(fù)責(zé)召回候選集、業(yè)務(wù)規(guī)則過濾、特征計(jì)算、排序等處理。推薦引擎技術(shù)架構(gòu)如圖7所示。

圖7　推薦引擎技術(shù)架構(gòu)

分配。根據(jù)推薦場景，按召回源進(jìn)行任務(wù)拆分，關(guān)鍵是讓分布式任務(wù)到達(dá)負(fù)載均衡。

推薦器。推薦引擎的核心執(zhí)行組件，獲取個(gè)性化推薦結(jié)果，推薦器的實(shí)現(xiàn)如圖8所示。

圖8　推薦器架構(gòu)

• 召回階段。獲取候選集，一般從基于用戶畫像、用戶偏好、地域等維度進(jìn)行召回，如果是新用戶的召回資源不夠，會使用冷啟動(dòng)服務(wù)進(jìn)行召回。
• 規(guī)則過濾階段。對人工規(guī)則、一品多商、子母碼、郵差差價(jià)等進(jìn)行過濾。
• 特征計(jì)算階段。結(jié)合用戶實(shí)時(shí)行為、用戶畫像、知識圖譜、特征服務(wù)，計(jì)算出召回的候選集的特征向量。
• 排序階段。使用算法模型對召回候選集打分，根據(jù)召回源和候選集的分值，按一定的策略對候選集進(jìn)行重新排序。

合并。歸并多個(gè)推薦器返回的推薦結(jié)果，按業(yè)務(wù)規(guī)則進(jìn)行合并，考慮一定的多樣性。舉例來說，京東App首頁“猜你喜歡”的實(shí)現(xiàn)過程如圖9所示。首先根據(jù)用戶畫像信息和用戶的近期行為及相關(guān)反饋信息，選擇不同的召回方式，進(jìn)行業(yè)務(wù)規(guī)則過濾；對滿足要求的候選商品集，提取用戶特征、商品特征、用戶和商品的交叉特征；使用算法模型根據(jù)這些特征計(jì)算候選商品的得分；根據(jù)每個(gè)商品的得分對商品進(jìn)行排序，同時(shí)會豐富推薦理由，考慮用戶體驗(yàn)，會對最終排好序推薦結(jié)果進(jìn)行微調(diào)整，如多樣性展示。

圖9　猜你喜歡實(shí)現(xiàn)過程圖

用戶畫像

京東大數(shù)據(jù)有別于其他廠商的地方就是京東擁有最長的價(jià)值鏈和全流程的數(shù)據(jù)積累。京東數(shù)據(jù)的特征非常全面，數(shù)據(jù)鏈記錄著每個(gè)用戶的每一步操作：從登錄到搜索、瀏覽、選擇商品、頁面停留時(shí)間、評論閱讀、是否關(guān)注促銷，以及加入購物車、下訂單、付款、配送方式，最終是否有售后和返修，整個(gè)用戶的購物行為完整數(shù)據(jù)都被記錄下來。通過對這些用戶行為及相關(guān)場景的分析，構(gòu)建了京東用戶畫像，如圖10所示。

其中不僅有用戶的年齡、性別、購物習(xí)慣，更有根據(jù)其購物行為分析出的大量數(shù)據(jù)，例如是否已婚，是否有孩子，對促銷是否敏感等。另外，實(shí)時(shí)用戶畫像可以秒級分析出用戶的購買意圖，以及實(shí)時(shí)興趣偏好。京東推薦用戶畫像技術(shù)體系如圖11所示。

用戶畫像在京東各終端的推薦產(chǎn)品中都有應(yīng)用，618推出的智能賣場是用戶畫像的典型應(yīng)用場景。智能賣場的產(chǎn)品包括發(fā)現(xiàn)好貨、個(gè)性化樓層、秒殺、活動(dòng)、優(yōu)惠券、分類、標(biāo)簽等。以秒殺為例，推薦結(jié)果會根據(jù)當(dāng)前用戶的用戶畫像中的畫像模型（性別、年齡、促銷敏感度、品類偏好、購買力）進(jìn)行加權(quán)，讓用戶最感興趣的商品排在前面。

用戶畫像也是場景推薦的核心基礎(chǔ)。以東家小院為例，根據(jù)用戶的歷史行為匯聚出很多場景標(biāo)簽，按當(dāng)前用戶的畫像模型，調(diào)整場景標(biāo)簽的排序。如用戶選擇“包治百病”標(biāo)簽，會按用戶畫像中的性別、年齡、品類、促銷敏感度等畫像模型進(jìn)行推薦商品的重排序。

圖10　用戶畫像示意圖

圖11　京東推薦用戶畫像技術(shù)體系

特征服務(wù)平臺

特征就是一種屬性的描述，特征是個(gè)性化推薦的基礎(chǔ)，常用的特征分為單邊特征和雙邊特征。單邊特征是指對象本身的屬性描述，如商品的顏色；雙邊特征是指兩個(gè)對象交互程度的描述，如某用戶最近一小時(shí)瀏覽的品牌與候選集中品牌的匹配程度。從特征生成的場景來說，分為離線特征和實(shí)時(shí)特征。離線特征是通過算法模型提前生成，實(shí)時(shí)特征是通過實(shí)時(shí)計(jì)算的方式生成的。特征的質(zhì)量直接影響推薦的效果、特征計(jì)算的性能，同時(shí)影響個(gè)性化推薦的處理能力。另外，共享和復(fù)用特征可以提高算法的迭代速度并節(jié)約人力成本。

特征服務(wù)管理平臺主要針對特征數(shù)據(jù)和特征計(jì)算，進(jìn)行有效聲明和管理，進(jìn)而達(dá)到特征資源的共享和復(fù)用。特征服務(wù)平臺能快速滿足針對制定不同的特征進(jìn)行有效的聲明、上線、測試以及A/B實(shí)驗(yàn)效果對比的需求，做到特征的可維護(hù)、可說明、可驗(yàn)證。特征服務(wù)平臺的主要功能如下：離線特征的定制化使用，在線特征的定制化使用，由定制化特征產(chǎn)生新的特征，部分特征、模型在線申明，不同特征效果快速A/B。特征服務(wù)平臺架構(gòu)如圖12所示。

圖12　特征服務(wù)平臺架構(gòu)

場景特征回放技術(shù)

推薦的一般處理邏輯是每次請求會召回一批商品，然后根據(jù)用戶的行為數(shù)據(jù)和用戶模型計(jì)算出每個(gè)商品的特征。算法模型會根據(jù)每個(gè)商品的特征計(jì)算出每個(gè)商品的得分，最后選出得分最高的幾個(gè)商品推薦給用戶。

線上計(jì)算特征這種行為是一次性的，不會被記錄下來。因此在線下訓(xùn)練模型的時(shí)候，如果想利用上述的特征，就需要在線下機(jī)器上再次計(jì)算一遍這些特征。遺憾的是，線下計(jì)算出來的特征往往不能和線上特征完全相同，這就導(dǎo)致了模型訓(xùn)練的效果較差。場景特征回放示意圖如圖13所示，推薦業(yè)務(wù)調(diào)用推薦引擎，推薦引擎將場景特征通過特征回放服務(wù)記錄下來，推送至大數(shù)據(jù)平臺，機(jī)器學(xué)習(xí)根據(jù)場景特征數(shù)據(jù)重新訓(xùn)練算法模型，進(jìn)而影響推薦引擎中的排序，形成一個(gè)場景閉環(huán)推薦，達(dá)到更準(zhǔn)確的個(gè)性化推薦。

圖13　場景特征回放示意圖

場景特征回放技術(shù)架構(gòu)如圖14所示，場景特征回放技術(shù)實(shí)現(xiàn)過程如下。線上特征一般是一系列的數(shù)值，我們將這些特征按照一定的規(guī)則組裝成一個(gè)字符串，然后將特征使用HTTP的POST方法異步發(fā)送到服務(wù)端。

圖14　場景特征回放技術(shù)架構(gòu)

服務(wù)端使用Openresty接收這些HTTP請求，并把HTTP請求中的特征數(shù)據(jù)落地到本地磁盤文件中。Openresty是一種高性能的Web服務(wù)器，能夠承受很高的QPS，并且具有很高的穩(wěn)定性，它的這兩點(diǎn)特性保障了服務(wù)的穩(wěn)定。

數(shù)據(jù)抽取系統(tǒng)把服務(wù)器集群磁盤上的數(shù)據(jù)抽取到臨時(shí)倉庫。

數(shù)據(jù)抽取系統(tǒng)對數(shù)據(jù)進(jìn)行壓縮和過濾處理，然后推送到Hive表中。不同類型的請求會放到不同的分區(qū)中，更加方便算法工程師使用這些數(shù)據(jù)。

個(gè)性化推薦系統(tǒng)是一個(gè)系統(tǒng)工程，依賴產(chǎn)品、數(shù)據(jù)、架構(gòu)、算法、人機(jī)交互等進(jìn)行場景推薦，本節(jié)重點(diǎn)從這幾個(gè)維度闡述了京東的個(gè)性化推薦系統(tǒng)。推薦系統(tǒng)隨著業(yè)務(wù)發(fā)展和社會生活方式的改變而進(jìn)行不斷升級，經(jīng)歷了從PC時(shí)代到移動(dòng)互聯(lián)時(shí)代，從關(guān)聯(lián)推薦走向個(gè)性化推薦，從純商品推薦到多類型推薦的轉(zhuǎn)變。個(gè)性化推薦系統(tǒng)已經(jīng)實(shí)現(xiàn)了千人千面。誠然，個(gè)性化的效果也有待提升，有些體驗(yàn)類的問題也在逐步完善。目前正在進(jìn)行或有待提高的方面包括：算法方面豐富知識圖譜、深度學(xué)習(xí)廣泛應(yīng)用；推薦系統(tǒng)方面會更好地支持海量召回、高維特征計(jì)算、在線學(xué)習(xí)，推薦更實(shí)時(shí)，更精準(zhǔn)；產(chǎn)品方面已向“滿屏皆智能推薦”方向邁進(jìn)。最后，希望個(gè)性化推薦系統(tǒng)能讓購物變得簡單，變得更人性化、更豐富、更美好。

End.

作者：?fisherman

來源：http://www.36dsj.com/archives/104981

本文來源于人人都是產(chǎn)品經(jīng)理合作媒體@36大數(shù)據(jù)

題圖來自unsplash，基于CC0協(xié)議