读书笔记-- 京东电商推荐系统

参考：京东电商推荐系统实践

1.  简介

1.1 协同过滤系统

推荐系统最经典的就是协同过滤Collaborative Filtering(如下图)。

 1. user-based 基于用户的协同过滤；

 2. item-based 基于商品的协调过滤。

 1.2 learning to rank

       但现在绝大多数推荐系统都不会直接使用协同过滤来做推荐，目前主要用的是 learning to rank 框架。

上图是推荐系统的框架，可以分在线和离线两部分。

1.  在线部分主要负责当用户访问时，如何把结果拼装好，然后返回给用户。主要模块有召回、排序和对结果的调整。

2.  离线部分主要是对用户日志的数据分析，应用于线上。

1.3 电商推荐系统的特殊之处

相比新闻、视频这类的内容推荐，电商推荐系统有更多的优化方向（点击、销售额、时长、用户留存等）。另外，电商中推荐的内容也会有很多种，尤其像是活动类的内容，很多推荐都是算法和人工运营共同完成的。

 在线推荐系统除了召回和排序以及最终的调整之外，还有实践过程中的一些细节。

• 召回：有很多种方法，如协同过滤，热门商品、实时促销等和应用场景相关的召回，还有一些基于 KNN 的召回。

• 过滤：召回之后，会进行过滤，主要是和应用场景相关，如已购商品过滤掉、没有库存的过滤掉，或者敏感的商品过滤掉等等这些逻辑。

• 排序：排序目前主要用到的是 DNN 模型，某些流量比较小的地方会用到 GBDT。

• 过滤：排序之后还会有些分页、同商品过滤等逻辑。

调整：最终调整过程中，主要有两部分逻辑，多样性和探索逻辑。

2.  排序模块

2.1  模型结构