转转 张相於 - C2C电商平台推荐系统架构演进

严丽佳

2017/12/18 发布于 技术 分类

C2C市场是电子商务领域一个重要的细分市场,近年来以二手闲置交易为切入点的各种C2C平台正在吸引越来越多的用户,其潜力和市场规模甚至远大于现有的B2C市场。相比B2C市场,C2C市场由于市场的两端都是个人用户,其数据和用户行为都有着不同的特点,这些特点给推荐系统提出了独特的挑战。 转转推荐系统自建设以来,经历了多次架构升级,每次架构升级都给业务效果带来了巨大的提升。本次分享将向大家介绍转转在C2C平台推荐系统架构演进方面的实践,包括历代推荐架构的设计初衷、核心挑战、演进逻辑等内容。

文字内容
1. C2C电商平台 推荐系统架构演进 张相於 转转 推荐算法部
5. 张相於(zhangxy@live.com) 转转 推荐算法部 技术负责人 多年来一直从事推荐系统、机器学习系统相关工作。 主导构建、优化了多套推荐系统,具有丰富的踩坑经验。
6. 分享提纲 C2C૱࣋&᫨᫨Օᕨ! feedၞവគ๐‫ۓ‬ຝ຅ᄍ‫!ݒ‬ አಁኮ‫؟‬ᔮᕹຝ຅ᄍ‫!ݒ‬ ௛ᕮ!
7. 分享提纲 C2C૱࣋&᫨᫨Օᕨ! feedၞവគ๐‫ۓ‬ຝ຅ᄍ‫!ݒ‬ አಁኮ‫؟‬ᔮᕹຝ຅ᄍ‫!ݒ‬ ௛ᕮ!
8. C2C市场&转转介绍 •  真·个人对个人的marketplace •  C2C平台的意义 •  物品交易 •  技能交换 •  发现世界
9. C2C市场的特点和挑战 •  信息发布随意性 •  商品库存唯一性 •  买卖时效敏感性
10. 分享提纲 C2C૱࣋&᫨᫨Օᕨ! feedၞവគ๐‫ۓ‬ຝ຅ᄍ‫!ݒ‬ አಁኮ‫؟‬ᔮᕹຝ຅ᄍ‫!ݒ‬ ௛ᕮ!
11. 石器时代
12. 粗粒度个性化推荐
13. 问题 ӻ௔۸ᑕଶ֗! ‫ࢧݟ‬ᖌଶ‫ܔ‬Ӟ! ॔አሲ֗! ᖨਂපሲ֗!
14. 青铜时代
15. 细粒度多维度个性化推荐
16. 主要改进 ᕡᔉଶӻ௔۸! • ᔄ‫ڦ‬ᕆ->‫ߝܔ‬ᕆ! ी‫ࢧݟے‬ᖌଶ! • CF+ኮ‫!؟‬ ी୩හഝ॔አ௔! • አಁ->ࠟߝ=አಁ->X + X->ࠟߝ!
17. 效果:转化率共提升78%
18. 工业革命I
19. 实时推荐系统
20. 主要改进 ᐶᕚ೵യਫ෸۸! • ࠟߝኮ‫̵؟‬CF‫ى‬ᔮᒵ᯿ᥝහഝ! አಁ‫ي‬᪁ਫ෸۸! • ਫ෸‫ي‬᪁පຎսԭᐶᕚ‫ي‬᪁!
21. 效果:转化率共提升89% 还在持续提升中
22. 工业革命II
23. 机器学习驱动的推荐系统
24. 主要改进 चԭMLጱഭଧཛྷࣳ! • ፓຽกᏟ̵‫ݢ‬ᰁ۸ጱഭଧᒽኼ! चԭMLጱ‫ࢧݟ‬ཛྷࣳ! • ൉‫ࢧݟ܋‬ᨶᰁ҅಩অፘ‫ى‬௔ᒫӞ‫!ى‬ चԭMLጱአಁ‫ي‬᪁ཛྷࣳ! • चԭᬦ݄ᶼၥ๚๶҅൳ᚙೌᚏᤢ٬ᒽ!
25. 效果:转化率总提升109% 还在持续提升中
26. 推荐系统演变主线总结 ‫ࢧݟ‬/ഭ ଧग़ᖌ ፘ‫ى‬௔ ۸! ᔜᕡ۸! ‫ݍ‬ḇਫ ෸۸! ᦇᓒཛྷ ࣳ۸!
27. 未来发展方向 ਫ෸۸! • ᇙ஄ਫ෸۸! • ཛྷࣳਫ෸۸! ཛྷࣳ۸! • ‫ࢧݟ‬ཛྷࣳ۸! • ཛྷࣳ॔๥۸!
28. 分享提纲 C2C૱࣋&᫨᫨Օᕨ! feedၞവគ๐‫ۓ‬ຝ຅ᄍ‫!ݒ‬ አಁኮ‫؟‬ᔮᕹຝ຅ᄍ‫!ݒ‬ ௛ᕮ!
29. 面向用户画像的用户画像 ଙἻ! ௔‫!ڦ‬ ᘳӱ! Ҙ!
30. 用户画像第一原则:做有用的用户画像 ํපᬳള! ᕡᛘ‫ڰ‬ኮ! ੔࿢૧୑!
31. 多维度用户画像 ௔‫!ڦ‬ ؇অ ᔄ‫!ڦ‬ ؇অ ‫ى‬Ძ ᦯! ્‫ف‬ ୗᤒ ᐏ!
32. 问题 ኞප෸ᳵӧᕹӞ! ֵአොୗӧᕹӞ! ᓕቘ‫܋‬ᕆӧᕹӞ!
33. 多维度商品画像统一生成框架
34. 如何更好地预测用户兴趣? •  用户画像=物品画像+兴趣模型 •  老方法:基于规则 •  不同时间发生的不同行为赋予不同权重 •  将权重做累加计算 •  问题 •  拍脑袋规则量化不准确 •  无法合理利用负反馈
35. 机器学习驱动的用户兴趣模型 正反馈数据 负反馈数据 特征提取 机器学习模型 相关兴趣预测
36. 机器学习的优势 ‫ڥ‬አᨮ‫ݍ‬ḇ! ᥢ‫ڞ‬ᰁ۸! റᔱಘ઀!
37. 画像系统演变主线总结 ᖌଶ! ग़໏۸! ᖌଶ! ᔜᕡ۸! ᦇᓒ! ਫ෸۸! ᶼၥ! ཛྷࣳ۸!
38. 未来发展方向 ᖌଶ! ๅᔜᕡ! ཛྷࣳ! ๅ‫ٵ‬Ꮯ! ‫ي‬᪁! ๅ‫ݎ‬ව! ᖓ‫!ݳ‬ ‫ي‬᪁֛!
39. 广告:招聘高级推荐算法& 架构工程师 (zhangxy@live.com)