Top100summit個性化的雙11-個性化推薦技術的應用——天貓張奇

1、個性化的雙11-天貓推薦技術應用,張奇（得福） 天貓推薦算法團隊,201311-23,天貓推薦總體情況,服務平臺,Mobile,PC,推薦實體,品牌推薦,商品推薦,促銷活動,等等,推薦形式,User2Items,Item2Items,Personalized Ranking,Others,推薦產(chǎn)品,超過40+推薦產(chǎn)品 每天服務 6M+ 用戶 (有點擊過推薦產(chǎn)品),天貓推薦總體情況-架構,用戶實時 意圖計算,推薦實體索引,檢索,Ranker（CTR 預估）,裝配（參數(shù)化）,在線實驗 框架,離線實驗 框架,Detail 給我推薦,會員俱樂部推薦,天貓/淘寶 首頁logo 推薦,圖書城推薦,前端,匹

2、配層,Hadoop集群,MPI集群,Spark集群,2013-11-11 00:01:00,2013-11-11 天貓總體效果-雙11當天,雙11 推薦產(chǎn)品的效果,預熱期平均16%的加入購物車行為是由推薦引導的,雙11 推薦產(chǎn)品的效果-預熱期,最近兩年推薦引導成交的金額趨勢（僅天貓，單位：億）,預熱期由推薦引導收藏和購物車的商品在雙11當天成交的金額為：25.5億。,雙11當天由推薦直接引導的成交總額（不同資源位去重）：56.8億,雙11當天點擊推薦產(chǎn)品的用戶：36M,雙11 推薦產(chǎn)品的效果-雙11當天,雙11當天，推薦引導了近30%的成交,遇到的挑戰(zhàn),估計QPS 65w，需要機器1350臺峰

3、值QPS 為500的機器。而我們只有500臺機器,遇到的挑戰(zhàn)-流量壓力,-性能的優(yōu)化是必須的,遇到的挑戰(zhàn)-流量壓力-優(yōu)化方案,用戶相關的推薦 （非CDN化）,非個性化的推薦 （CDN靜態(tài)化）,遇到的挑戰(zhàn)-流量壓力-優(yōu)化方案,遇到的挑戰(zhàn),遇到的挑戰(zhàn)-用戶行為的特點,遇到的挑戰(zhàn)-用戶行為的特點 2,- 用戶的購物模式并沒有太大的改變,證據(jù)2： 以日常點擊為目標訓練的model VS 以大促點擊為目標訓練的model,遇到的挑戰(zhàn),雙11-我們的工作,雙11-我們的工作,雙11-無線個性化會場,為什么要個性化：,如何做個性化：,女裝分會場190個品牌，在手機上要展示近100排。,點擊衰減情況：,用戶熟

4、悉的品牌,可能喜歡的新品牌,折扣非常高的國際大牌,雙11-無線個性化會場,考察的指標：,預熱期：收藏+加入購物車量、粘性,雙11當天：成交額、轉化率,對比方式：,個性化排序 vs 運營賽馬,會場個性化算法-綜述,基準桶 （運營賽馬桶）,個性化桶,A,B,偏好的品牌,可能喜歡的新品牌,user x,融合、排序,user x,千人一面,千人千面,Q1,Q2,Q3,Q1: 偏好的品牌計算邏輯,for user x,偏好品牌集合 for user x,Q2: 發(fā)現(xiàn)新品牌,偏好品牌集合 for user x,協(xié)同過濾算法：,男女裝線下打標數(shù)據(jù)：,b11；b12；b13；b1h,b21；b22；b23；b

5、2k,b61；b62；b63；b6k,相似品牌,新品牌 for user x,Q3: 如何計算權重？,for user x,偏好的品牌,發(fā)現(xiàn)的品牌,final list for user x,經(jīng)驗版,學習版,if 瀏覽次數(shù) 3 or 購買次數(shù) 1 then score = 3 else if 關注過 and 購買次數(shù) 1 then score = 9 else if 收藏次數(shù) =1 and 購買次數(shù) = 0 then score = 5 ,Learn from the history,Q3: 如何計算權重（學習版）,在相似的場景下，用當時用戶的點擊數(shù)據(jù)（點擊當時的品牌數(shù)據(jù)），學習出，在這種場景下，什么樣的品牌特征是重要的，有多重要。,w1,w2,wn,學習的目標：,去年雙11日志：,Q3: 如何計算權重,machine learning logistic regressionMPI,結果,雙11當天，無線女裝會場個性化算法相對于運營賽馬結果，成交金額提升27%。無線男裝會場相比基準桶，成交金額提升15%。,廣而告之,天貓推薦算法大賽,面向人群：主要面對高校學生，但是不做特別限制,比賽時間（擬定）： season 1： (2014年03月至2014年08月) season 2： (2014年09月至2014年11月),目標：