推荐系统 阿里“推荐系统”背后的算法介绍

图2 卡片选择公式

于此同时不再简单地利用业务方提供的商品-卡片关系，而是从业务方提供的商品-卡片对集合中进行筛选，一个商品每种卡片类型下可能会映射有该类型多个卡片，通过卡片质量分来筛选，同时离线计算好用户卡片形态的偏好分。 上述二者每天同步到iGraph 中，在线调度的时候，在商品推荐结果上，依据图2公式对能触发卡片的商品进行卡片挂载选择。 同时，进行卡片的展示间隔控制，卡片与卡片之间至少有一定数量的商品，这样避免卡片堆积，从而进一步提高效果。 这种方法，相比迭代前，曝光收益提高了3.23%，但相比不出卡片的基准桶，依旧是下降的。 我们还对图2公式进行一系列的变种实验，但收效甚微。

机器学习模型

给用户推荐的商品中，某些商品有 N 种卡片可以挂载，那么挂载哪个卡片用户点击的概率最高呢？ 这就是我们的模型需要学习，这个可以转化为一个 CTR 预估问题。 按预估出来的 CTR 值排序，取 top1，但最终展示还有一定规则需要遵守，下文会阐述。

■ 样本和特征

从为你推荐的数据里抽取可以挂载卡片的商品的曝光点击数据作为训练样本。

特征分成三个部分，用户特征、触发品特征、卡片特征，商品形态作为一种特殊的卡片形态。 我们选用了85个特征作为模型输入，包括各种实数特征（62个）、Categorical 特征（19个）和交叉特征（4个）： 实数特征主要是用户、触发品、卡片维度的一些统计特征。 例如，某个商品（触发品）在为你推荐平台上的 CTR、不同形态下的 CTR 的统计值。

而对部份 Categorical 特征，我们采用对其进行embedding 处理再输入模型。

■ 召 回

基于为你推荐最终的商品推荐结果，去我们筛选好的商品-卡片集合召回候选集合，即 item2item2card。 商品与卡片之间的映射关系，目前只是简单地采用了上述的卡片质量分，而没有考虑商品与卡片之间的关系，卡片整体承接效果好，不代表在某个触发品的情况下，承接效果也好。 故此考虑增加 item2theme 的方式，theme 表示 item-card。 我们直接利用多天卡片曝光点击数据，触发品(item)-卡片(card)对直接作为一个 item 实体看待，采用 SWING 算法进行构建。 线上 AB，增加这一路召回，相比没有这路召回的，曝光收益增加0.79%。

■ 排序 模 型

我们选择了 WDL（Wide & Deep Model）模型，迭代过程中我们也尝试了DCN（Deep & Cross Network）。 线上 AB，二者曝光收益差距很小，DCN 相比WDL 也就+0.03%，最终我们选择 DCN 模型进行全量。 模型训练目前采用 XTensorflow 每天定时训练并推送到 RTP。