京东购物在微信等场景下的算法应用实践
此次分享的是以 WQ（微信手 Q）购物智能推荐系统介绍智能推荐算法在实际中的应用，介绍的 WQ 购物从海量服务到简单的个性服务到现在的个性化服务发展历程。他从以下四个部分进行了介绍。
首先讲解了 WQ 个性化推荐有哪些产品、有哪些业务；第二部分讲如何构建 WQ 推荐平台，如何支持这些业务需求；第三部分简单介绍了用户画像（用户画像、物料画像）；最后讲解 WQ 大数据平台如何搭建。通过这次讲解让大家对推荐系统搭建流程有个初步了解，使大家能够在 3-5 天时间里通过这种开源框架搭建一个自己的小型推荐系统。
1. WQ 个性化推荐
WQ 个性化推荐在微信购物界面体现的方方面面，主要有关键词推荐（新用户主要通过上下文信息推荐，准确度不是很高）、素材推荐（入口图、焦点图、品牌特卖）、商品（卖场、秒杀、拼购等）资讯（趣好货、购物圈）以及其他如猜你喜欢、类目入口（由于手机屏幕大小原因，条目不能全部显示，智能通过用户兴趣选择用户感兴趣的条目）栏目馆区等，具体见下图。
WQ 这些海量个性化推荐业务主要由 ABC（AI 人工智能、BigData 大数据、Cloud 云服务）技术支持，主要解决用户体验问题，运营效率问题、业务效果问题。如金手指（热搜词 + 规则 + 推荐）的下单转化率提升为 200%-400%，随着时间略有波动，热搜词采用插件式接入（加载 js 插件，依据你页面上下文，类目进行热搜词推荐），简单易用；智能卖场由原先运营人员和商家谈判、选品、上线，周期为两人一周构建卖场，通过 ABC 基于算法、基于不同规则生成不同智能卖场只需一个人员 10 分钟就能完成，而且程序自动维护，解决效率问题；入口图（素材）这一方面主要解决用户体验问题，使用户达到所见即所想，打造触动内心的极致体验。
除了 ABC 技术提高推荐转化率，团队发现组织联动在推荐效果也有明显提升，上图是去年 8 月到 11 月的推荐效果提升，如果单纯的靠算法优化，效果只能提升 30% 达到 50-60% 就是算法极限，但是如果和产品联动效果由 30% 提升到 90%，因此建议在做算法优化是加入产品运营联动。如在穿搭推荐中先前无论如何算法优化，转化率一直很低，最后发现是产品素材质量太差，无法引起用户兴趣。另一方面在智能卖场做数据挖掘、爬虫抓取关联商品，再进行聚类确实能够发现人的行为，但是运营能抓住用户价值点，如果在物料上加入这些价值点，能够明显提升推荐效果。
2. WQ 推荐平台
WQ 推荐系统需要知道解决那些问题：
（1）首先业务需求多，原先想的是一个一个业务对接，但是关键词开发需要人员，资讯开发也需要人员，但是开发人员资源有限，开发压力大，无法应对也无需求；
（2）平台多，接入工作流量大，每个都去对接工作量大；
（3）跨公司问题，数据不是完全共享，安全性能要求高，只能系统对接，因此流量红点压力大；
（4）用户体验问题，只能向前不能倒退
（5）效果问题，增长放缓，只能从技术、算法方面来提升；
（6）用户量大，资源有限等。
推荐系统核心是“数据”、“算法”、“系统”，有这三种推荐系统就能运行。具体工作是：首先用户会请求我们的业务系统，之后请求推荐引擎，推荐接入实现业务分流到对应的推荐平台，然后通过推荐算法、模型返回用户所需数据。除此之外还有一个数据的反向上报（行为上报），因为我们的推荐都是基于大数据，如果我们能收集用户的行为越多，对用户的行为就越准，推荐也就越精确。对用户的（点击，搜索，浏览）做 DMP（大数据管理平台），让模型训练算法，其响应时间一般是限度控制在 300-500 毫秒。
WQ 推荐系统平台架构如下所示，依据架构依据相关开源软件能够 3-5 天搭建一个推荐系统。首先业务层，主要是有哪些业务；其次是接入层，我们有第三方接入引擎，还要做分流，都要做 A/B text；接入后要做推荐引擎，我们分为三层：为召回策略（添加条件，选择最相关）、打分排序、重排策略；引擎打分需要模型，这一块为计算层。再然后是数据层，这块主要是用户画像和物料画像以及数据分析等；最底层是基础平台，来支持我们做推荐，算法训练，我们的实时用的是 Spark，离线用的是 Hadoop，用 CM 做集成，用 Sklearn/TensorFlow 做离线分析，对于大账号推送用全站数据（京东大数据平台）比 WQ 效果要好。除此之外比较重要的一个是数据上报，最开始用的是自己研发的用 C/C++ 实现，后来需要与业界对标，采用 Flume 和 Kafka。集群时间是分钟级，但是用户画像是毫秒级，用户画像是基于用户行为而不是数据库。
在平台接入时，需要简单、通用、快速、开放为目标。将业务抽象为物料，统一格式，业务只需要实现物料上报、请求服务、行为上报三步。对于算法选择前期配置就能快速上线，选择快速上线算法是热度和 IOR 算法。智能接入：由于平台多，通过物料、用户、平台判断哪个平台转化效率高，就将平台流量多分给推荐平台，达到整体最优，对于模型选择各自去训练，然后选择、融合。
接入之后就是推荐引擎，常见的有召回策略、打分策略、重排策略。召回策略如下所示，所谓个性化召回就是画像打上的那些标签，是偏向某个类目还是某个品牌偏好等做召回，关联规则前键召回是根据用户前面的行为来关联后续感兴趣的商品；打分就是和模型结合；重排也有很多算法，例如特征加权就是用户有什么偏好给他提前。重排主要是基于个人，模型是基于群体特征，重排命中也能很好提升效率，EE 策略主要改善体验问题，我们发现如果一个人行为很少，进来之后什么都不点，如果模型在 5-10 分钟未更新，推荐的就是一直是这个，如果特别偏门，群体又比较小，模型就没有影响，个人就需要推荐一些新的东西，EE 策略就是以一定概率来显示推荐而不是单纯以排名推荐，我们用的是汤姆森算法。
接下来讲一下模型，我们的推荐模型就是解决 GMV（成交）最大化、CTR * CVR 最大化、CTR 最大化（首页、中间页引流，最容易，点击转化率）核心是“他点的”/“他看的”。这个模型还有一个瞬息系约束，一方面就是 EE 策略，另一个就是某一类商品在一定时间不能超过多少，保证用户体验。在评价推荐效果方面，如果直接做到下单，其中很多因素不可控，这时考虑 CTR * CVR 模型，提升转化率，主要考虑物料、用户以及上下文场景。
接下来就是机器学习过程，主要有环境搭建、收集数据、分析数据、准备数据、训练算法、测试算法、应用算法。这个过程很简单，但是我们要解决冷启动问题、假曝光问题（这个主要是产品预加载，在用户还未看数据就显示，这种就是假曝光）异常数据清洗问题（爬虫、刷单）、正负样本问题、数据稀疏问题等问题。在推荐过程中数据是基础中的基础，下面是数据处理中常用的方法。
在算法里面对我们比较受益的是机器学习军规，做 C++ 或前端时有雅虎军规、effective C++ 这些都有很规则性的东西告诉你怎么做。在机器学中有一个机器学习军规，其实在 ML 中首要的是工程问题，其次才是算法问题。我们把数据做好了效果也就好了，如果大神能做 95 分，我们做好了这些也有 80 分。
而用户体验方面，一个是要准，另一个是要新。新就是 EE 算法，准就是位置偏见，例如冷启动时你把某一个商品放在前面，那么他的转化率一直高；这种就不能他分值高就一直在前面，这种情况就要看不同商品在此位置时的转化率，这个就是位置偏见。
3. WQ 用户画像
接下来简单介绍下用户画像，做推荐时你首先要知道用户是谁，如果你只用 cookie Mapping 的话效果太差，这个我们是和微信合作，我们是拿到 open ID 的，如果有微信场景可以参考这种方式；其次用户是什么用户，这就是用户画像；再者用户还是那个用户么（可能前一秒和下一秒不是同一个用户）因此要注意更新。画像主要解决身份问题，还有就是 WQ 数据和自己收集数据以及全站数据，这些数据整个融合而做的一个用户画像。
用户画像的系统架构首先是一个内外部数据的融合，然后是做采集（分析、清洗、格式化然后做一些画像计算）这里用到很多算法，如统计算法等。
4. WQ 大数据平台
大数据平台主要解决实时问题、系统复杂问题、业务支持（支持 ML 算法等）下面是系统需要的达到的目标。
接下来讲一下大数据生态，最开始时是并行计算（最原始的那种命令行并行计算）然后就是 Hadoop（MapReduce 和 HDFS 开始也是简单 UI）在 Hadoop V2 就有了 HBase 之后就是更快的 Spark（Hive、Flume、Kafka），下面是整个大数据生态。
最后讲一下大数据采集，对于我们做账务，事务型的数据不能丢，可以慢不能丢，所以可以异地多活（主要是做一个异地防或多级防的备份），这个需要看具体业务需求。
欢迎工作一到五年的Java工程师朋友们加入Java程序员开发： 721575865
群内提供免费的Java架构学习资料（里面有高可用、高并发、高性能及分布式、Jvm性能调优、Spring源码，MyBatis，Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多个知识点的架构资料）合理利用自己每一分每一秒的时间来学习提升自己，不要再用"没有时间“来掩饰自己思想上的懒惰！趁年轻，使劲拼，给未来的自己一个交代！