京东推荐系统实践——打造千人千面的个性化推荐引擎

参考京东-刘思喆

京东推荐产品及架构

通用模型的应用

离线CTR预测实例

实验与监控

京东推荐产品

• 80+推荐产品，包括移动端和web端
• 20+推荐服务，支撑EDM、广告、微信端等

• 遍布用户网络的各个环节

  推荐系统的价值

• 挖掘用户潜在购买需求

• 缩短用户到商品的距离
• 用户需求不明确时提供参考
• 满足用户的好奇心

推荐产品实例
不同位置的推荐产品定位不同
单品页：购买了意图
过滤页提高客单价
购物车页：购物决策
无结果页:减少跳出率
订单完成页：交叉销售
关注推荐：提高转化
我的京东推荐：提高忠诚度
首页猜你喜欢：吸引用户
京东推荐系统架构
data datawarehouse mercury frontend diviner recommender kaflka key_value store stats hdfs hadoop R Vowpal Wabbit Spark MPI buffalo
京东推荐算法优化方向
以数据分析为工具，提升数据的质量和覆盖度，增强对业务的理解（25%）
测试不同算法在不同数据源的效果，提高召回模型的质量，增加结果辨识度（50%）
以用户反