打開APP購物，系統會做哪些工作（上）

我們喜歡網絡購物，特別是在掌上端，系統所推薦的商品極大地決定了用戶接下來的行為，對用戶流量的承接與分發、提升用戶購物體驗，成為提升用戶體驗的關鍵環節之一。

1.場景介紹

避免廣告嫌疑，我們以某商城為例，其場景主要包括大促會場入口和日常頻道兩大類，如圖 1 所示。其中左圖為大促會場入口，包括主會場入口和行業會場入口;主會場入口通過為用戶推薦 7 個商品（3 個在中間動態輪播）給大促主會場進行引流，引流 UV 達數千萬以上;行業會場入口通過為用戶推薦 4 個個性化會場和商品為數萬的會場引流。右圖為日常頻道，包括限時搶購、聚劃算和精選頻道;首頁通過個性化推薦商品為各個特色的頻道引流，通過各個頻道來培養用戶心智。

過去的首頁推薦更多的是在相關性推薦的單一數據目標上進行優化，如今首頁的推薦系統不僅僅考慮推薦結果的相關性，還在推薦結果的發現性、多樣性等方面做了更深度的優化。Graph Embedding、Transformer、深度學習、知識圖譜等新的技術已先后在推薦系統成功落地。

2.推薦框架

個性化推薦系統可以分為召回、排序和機制三個模塊。其中，召回模塊主要是從全量的商品素材中檢索出用戶感興趣的 TopK 個候選商品，排序模塊專注于用戶對商品的 CTR 預估，機制模塊負責后期的流量調控、體驗優化、策略調控和最終的商品排序。整個推薦系統采用 Graph Embedding、Transformer、深度學習、知識圖譜、用戶體驗建模等新的技術構建起來，后面章節將介紹這個推薦系統的關鍵技術點。

3.召回

3.1 Ranki2i

Item-CF 是目前應用最廣泛的召回算法，其原理是根據兩個商品被同時點擊的頻率來計算兩個商品之間的相似度 simScore，得到 i2i 表;然后通過用戶的 trigger 去查詢 i2i 表，擴展用戶感興趣的商品。Item-CF 的基本算法雖然簡單，但是要獲得更好的效果，往往需要根據實際的業務場景進行調優。清除爬蟲、刷單等噪聲數據，合理選擇計算商品之間相似度的數據的時間窗口。

Ranki2i 是一種改進的 Item-CF 算法，其在 Item-CF 得到的兩個商品之間的相似度 simScore 的基礎上再乘以該 trigger item 所召回的該 target item 在過去一段時間內的 ctr （注意 ctr 的計算需要進行適當的平滑），對 i2i 的 simScore 進行修正，使得 i2i 表不僅考慮了兩個商品的點擊共現性，還考慮了召回商品的點擊率。

經典 Item-CF 類算法直接根據兩個商品被同時點擊的頻率來計算兩個商品之間的相似度，在尋找用戶點擊商品的相似、相關以及搭配商品上都有很大的優勢，且其具有簡單、性能高等特點，已成為目前使用最為廣泛的召回算法。

然而由于經典 Item-CF 類算法的召回結果的候選集限定在用戶的歷史行為類目中，并且算法難以結合商品的 Side Information，導致其推薦結果存在發現性弱、對長尾商品的效果差等問題，容易導致推薦系統出現“越推越窄”的問題，從而制約了推薦系統的可持續發展。為了更精準地給用戶推薦心儀的商品，同時維護推薦系統的可持續發展，解決推薦系統的發現性推薦和長尾推薦等問題，我們團隊提出了 S3Graph Embedding 算法和 MIND 算法。

3.2 S3 Graph Embedding

Graph Embedding 是一種將復雜網絡投影到低維空間的機器學習技術，典型的做法是將網絡中的節點做向量化表達，使節點間的向量相似度接近原始節點間在網絡結構、近鄰關系、Meta 信息等多維度上的相似性。

S3 Graph Embedding 算法利用全網以十億的用戶對十億規模的商品的序列化點擊行為構建千億規模的 Graph，結合深度隨機游走技術對用戶行為進行 “ 虛擬采樣 ”，并引入商品的 Side Information 增加泛化學習能力，將全網的商品進行 Embedding，統一成同一維度的向量表示。

該向量被直接用在 Item-CF 中商品相似度的計算中，相比經典 Item-CF 以共同點擊次數來衡量商品相似度的做法，該算法不需要兩個商品被同時點擊過也能計算出商品間的相似度，并且引入 Side Information 使其能更好地處理長尾的商品和冷啟動的商品。

3.3 MIND

Multi-Interest Network with Dynamic Routing （MIND） 是一種向量召回的方法，其通過構建多個和商品向量在統一的向量空間的用戶興趣向量來表示用戶的多個興趣，然后通過這多個興趣向量去檢索出 TopK 個與其近鄰的商品向量，得到 TopK 個 用戶感興趣的商品。

傳統 DeepMatch 方法為每個用戶生成一個興趣向量，但在實際的購物場景中，用戶的興趣是多樣的，不同興趣之間甚至可能是不相關的，比如用戶可能同時期望購買服裝、化妝品、零食，而一個長度有限的向量很難表示用戶這樣的多個興趣。我們的 MIND 模型通過 Dynamic Routing 的方法從用戶行為和用戶屬性信息中動態學習出多個表示用戶興趣的向量，更好地捕捉用戶的多樣興趣，來提升召回的豐富度和準確度。

3.4 Retargeting

Retargeting 是一種將用戶點擊、收藏或加購的商品再次推薦給用戶的一種推薦策略。在電商的推薦系統中，用戶的行為包含瀏覽、點擊、收藏、加購和下單等，我們當然希望用戶每一個行為流最終都能到達轉化的環節，但是事實并非如此。當用戶產生了下單行為的某些上游行為時，會有相當一部分用戶因為各種原因沒有最終達成交易，但是用戶當時沒有產生下單行為并不代表用戶對當前商品不感興趣，當用戶再次來到商場時，我們根據用戶之前產生的先驗行為理解并識別用戶的真正意圖，將符合用戶意圖的商品再次推薦給用戶，引導用戶沿著行為流向下游，最終達到下單這個最終的行為。