京东个性化推荐系统演进历史的深度分析

< > >
作者: >
在电子商务领域,推荐的价值是挖掘用户潜在的购买需求,缩短用户与商品之间的距离,提高用户的购物体验。
Jingdong提出的进化史是丰富多彩的。京东的建议是从2012开始的,当时推荐的产品甚至是基于规则匹配的。整个推荐线组合就像一个松散的原始部落,在部落和部落之间没有任何项目或算法的交集。2013、对大数据时代的到来,另一方面,如果你做了一件大数据似乎不沾边,自己的水平不够,另一方面,在今年开始迅猛发展京东的业务,所以传统的发展模式已经跟不上业务,因此推荐团队设计了一个新的推荐系统。

随着业务的快速发展和移动互联网的到来,多屏(京东、Jingdong App电脑商场,M站,微信手Q)交换,推荐类型从传统的推荐,并逐步扩展到其他类型的活动,如推荐、分类、优惠券、地板、入口图文章列表,好货等。个性化推荐服务需求强烈。在大数据量和个性化推荐算法的基础上,实现了对不同用户显示不同内容的效果。
为了这个目的,小组在2015年底再次升级了推荐系统。在2016 618,个性化推荐的光芒,尤其是创建一个“智能商店”的团队,活动会场个性化分布,显著提高不仅带来GMV,还显著降低劳动力成本,大大提高交通效率和用户体验,从而达到一个双赢的企业和消费者,该产品荣获2016组优良的产品。为了更好地支持多种个性化推荐服务,推荐系统进行了迭代优化和升级,将朝着“全屏幕智能推荐”方向发展。
>强>推荐产品 >
用户从购买意向、体验购买决定到最后订单,推荐产品在任何购物环节都能帮助用户做出一定程度的决策。
推荐产品开发过程> >强>推荐产品开发过程 >
推荐产品开发过程经历了几个阶段(图1),从简单关联推荐过程到个性化推荐,逐步过渡到场景智能推荐。从相关和相似产品推荐到多特征、多维、用户实时行为和用户场景集成智能推荐的转换。
>中心>;
图12
>“场景特征回放技术”>强>场景特征回放技术 >
本文提出的一般处理逻辑是:每一个请求将召回一批商品,然后根据用户行为数据和用户模型计算每个商品的特性。算法模型根据每个商品的特点计算每个商品的得分,最后选择得分最高的几个项目推荐给用户。
在线计算功能是一次性的,不会被记录。因此,当您在线培训模型时,如果您想利用上述特性,您需要在联机机器上再次重复这些功能。遗憾的是,线下计算的特征往往与线特征不一致,导致模型训练效果不佳。现场回放功能图如图13所示,推荐服务的推荐引擎,推荐引擎的场景特征的特征回放服务记录,推到大数据平台,根据现场数据的机器学习算法训练模型的特点,从而影响了推荐引擎,以形成一个闭环,这现场推荐更准确的个性化推荐。

&nbsp;高度=。
图13场景特征回放图场景特征回放技术架构,如图14所示,场景特征回放的实现如下。网络的特点是乌苏

资料全部来自网络,如果有问题可以发邮件到站长邮箱