讲人话系列——电商推荐系统

概述

从18年11月开始，接触推荐系统半年左右时间，对推荐系统有了基本的认识。相比于之前做的nlp任务，推荐系统复杂更多，数据来源更复杂、pipeline更复杂、场景更复杂、业务更复杂、指标更复杂。在NLP部分的时候，绝大多数时间花在了数据-模型以及其match上。而在推荐里由于系统复杂度提升，多了更多的功夫在系统架构、代码重构、快速部署上，工程侧的东西在复杂系统中显得更为重要。秉着精益算法的思想，延续之前的系列，这里我结合自己的经验，给大家分享下如何快速的搭建一个不错baseline的推荐系统。请各位吸取精华、去其糟柏即可。

问题描述

• 今日主角：电商推荐系统
• 问题定义：为用户提供其最有可能产生交互的商品（点击、购买、分享）
• 问题举例：
  • 活动页场景：淘宝、京东各电商首页、各个活动界面的商品推荐
  • 购物中后置链路：购物车商品推荐、订单页商品推荐

技术价值：作为电商主要的业务场景，通过算法实现千人千面，由货找人，最大化商业指标

推荐pipeline

据我说知，电商推荐系统大的框架如下，为了方便说明问题，我画了个图来解释下。

1. trigger:触发阶段，该阶段是推荐的源头，可以是用户历史浏览商品、用户偏好。通常这些数据直接从日志获取，加以简单处理。
2. match:召回阶段，通过触发器，我们拿到一些商品或者触发源（类目、品牌）后，我们去关联一些商品。这里比较重要的一部分