一、假设
以下假设的成立是做个性化推荐落地的逻辑基础
- 历史行为代表用户的兴趣
- 群体偏好可作为用户初始兴趣
- 好商品和相关商品总是会被用户经常点击和购买
二、流程
- I2I数据生成：收集行为并赋予其权重，使用协同过滤内容算法计算商品与商品的相似性
- 候选商品找回：通过近期行为，捞取相似商品
- 排序：点击率预估模型（收集正负样本，用二分类模型预测点击）
- 打散：算法控制不能同时出现多少个同类目商品
三、问题点
- 没有行为怎么办？可使用冷启动常用的非个性化推荐，默认排序。非个性化推荐常用热门条目或人工定义的条目，或通过注册时的信息相似度进行推荐，可充分利用社交数据。
- 有行为没有购买怎么办？优先展示性价比高的商品，培养用户信任
- 商品是新品怎么办？新品预测值
四、推荐流水线
- 初筛：时间筛选和资源筛选
- 召回：根据任务类型在全站商品库进行商品筛选
- 过滤：利用规则/模型剔除召回模块初筛商品
- 排序：打分预测，根据得分排序
- 重排：打散
五、架构图