【智能推薦系列公開課講義④】7天搭建電商個性化推薦場景和最佳實踐

內容要點

本文主要以電商行業為例，從服務搭建流程、推薦測試流程、最佳實踐分享適配的智能推薦快速搭建方式和實踐策略。

服務搭建流程

智能推薦作為一款大數據應用產品，數據是第一生產力，如果在沒有任何數據的情況下，想做千人千面的推薦，是不太可能的。數據對於整個模型而言，都是非常重要的。智能推薦所需要的數據，分為三類，user，即推薦面向的終端用戶的信息；item，即要推薦的內容，例如在電商行業就是商品；behavior，即行為，指發生在user和item之間的交互動作，在平臺上，消費者的消費偏好，商品的用戶喜好畫像，都可通過behavior來表徵。

對於智能推薦的模型來說，一方面依賴海量的行為，進行模型計算，另一方面也會根據商品、用戶的靜態屬性做分析推薦。無論是上報的全量數據表，還是後期的行為數據、用戶數據、商品數據，經過全量和增量數據的合併，代表了AIRec底層的數據倉庫，最終會提供推薦經過精排之後的結果集。從數據層到智能推薦的結果集，中間經歷了模型的訓練。

在開通智能推薦之前，需要做數據準備，包括user、item、behavior，之後進行實例的開通和配置。因為不同的行業具備不同的屬性，優化的目標和所需的數據類型都有差別，所以智能推薦會按照行業模板來區分。

第二步，需要選擇推薦服務類型，表示智能推薦的結果，有猜你喜歡、相關推薦，不同的類型應用的場景是不同的，需根據業務場景進行選擇。

配置數據源，現有3種配置方式。之後進行模擬測試，後期也需要把實時變化的數據同步到智能推薦。通過SDK獲取推薦結果。

數據準備階段，所面向的user都是平臺上的消費者，item就是商品，behavior就是用戶和商品之間發生的關聯動作。用戶需要按照產品官網上的數據規範，結合每個字段的信息進行上報。

用戶表

用戶表是實現千人千面的前提，因為希望實現給每個消費者都提供不同的商品集，需確保訪問的每一位用戶都有自己唯一的身份標識，可通過user_id或者手機設備號確定。如用戶是遊客狀態，則需通過其他方式確定用戶身份，否則將只能獲得熱品的推薦。另外還需要提供用戶特徵的字段，包括性別、年齡及其他標籤，將有利於基於畫像特徵分析的推薦。

物品表

代表商品的信息表。每一件商品也需要具備唯一性。智能推薦通過item_id和item_type來標記指定唯一的商品。Status表示了當前商品狀態是否可被推薦，0表示不可推薦，1表示可推薦，可實施遇到商品上下架時的干預。Title表示對商品的標題描述，智能推薦會結合商品的描述進行語義分析。Scene_id表示物品可被投放的子場景ID，通過這個字段進行區分和效果觀察，可根據推薦展現形態進行設計。Weight指item的權重值，當產品質量較好，或考慮到業務方、廣告主的要求,可進行加權，初次接入時，建議不要加權，加權可能會導致模型結果受到人為的干擾，對效果產生負影響。pub_time代表內容發佈時的時間戳（秒級），用於判斷內容是否為新品，expire_time表示內容失效時間戳，失效後，商品將不會再被推薦，兩者用於控制item時效性。category_level表示類目層級數，category_path表示類目路徑。Tags表示標籤，可加具體的類目含義，例如品牌信息、屬性、適用人群，會被用於模型的訓練，利於效果提升。

場景具體使用

比如淘寶首頁猜你喜歡，有全部，表示所有商品都可出現，便宜好貨則有價格門檻，只有低價產品會在這個tag頁出現，以上兩個就是完全不同的推薦場景。如果APP上有類似的形態，需要在商品選擇、部署上進行場景區分。另外，包括購物車的猜你喜歡和首頁的猜你喜歡也是不同的，投放端的不同，會帶來用戶心智、行為不同等，建議區分不同投放端進行效果觀察。

行為表

行為表徵了平臺上用戶的特徵信息、傾向。每一條行為也需要定位到唯一的用戶和商品。bhv_type表示行為類型，例如曝光、停留、點擊、收藏、下載、購買、加購、評價等。trace_id表示請求追蹤/埋點ID，用於在AB實驗時區分，效果對比。trace_info表示請求埋點信息。bhv_time表示行為發生的時間戳。bhv_value表示行為詳情，例如點擊次數，停留時長，購買件數、購買金額等。曝光數據是必不可少的，如曝光之後，有停留、點擊、收藏、下載等行為信息，可將曝光數據在模型中作為負例數據。