海纳“千川”：得物多场景统一推荐平台｜精选
APP服务层：对接各个长尾场景，目前接入了包括主题、频道、会场、购中购后独立流、出图等场景 千川接入层：目前提供两种接入方式，一种是通过商品投放服务接入，一种是注册千川直连。千川依据接入场景的差异建立千川ID体系，会为每个接入的场景提供特定的千川ID（或者千川ID集合）。 千川DPP层：提供多种DPP推荐模块，满足多类型推荐需求，包括商品推荐DPP，多类型推荐DPP，楼层推荐DPP，品牌推荐DPP。每个DPP模块框架基本一致，会根据推荐类型设计差异化推荐策略。 算法层：搭建完整推荐链路，在召回、粗排、精排、策略等全流程上进行效率和体验优化。 召回阶段：设计包括I2I、U2I等在内5类召回，尽可能处理场景、行为、兴趣偏差，召回用户喜好商品。 粗排阶段：在满足高性能要求上，提供单目标及多目标粗排能力，为后续精排提升空间。 精排阶段：针对场景差异、用户兴趣、多种目标、大促应用方面进行一系列模型迭代。 策略阶段：结合业务需求提供策略干预、场景差异化配置、流控调权、多样性重排、多类型分发等能力。 基建层：依托包括机器学习平台、索引平台、特征服务、流控平台等在内的强大能力支持，方可打造出整套千川推荐框架。
4.1 召回粗排演进
挑战1：场景行为偏好差异
I2I、重定向捕获行为偏好 不同的Trigger选取策略兼顾长短期行为 GraphEmb、RankI2I实现行为偏好的向量化
挑战2：多场景下用户兴趣偏差
DSSM引入全场景数据表征用户对商品的基础兴趣 MIND结合场景特征扩展用户在多场景多兴趣上的表征
挑战3：场景目标定位差异
粗排双塔模型实现点击预估 粗排ESMM实现点击与转化的多目标预估
4.2 排序模型迭代
挑战1: 用户兴趣建模
挑战2: 场景差异建模
迭代1: 用户兴趣建模
首先我们增加了transformer的结构来处理用户的长短期用户行为序列，并对行为序列做了合并和去重处理来增大信息容量。 我们增加了显式的对用户统计特征、稀疏特征的交叉，提升模型效果。 增加千川id、商品、用户属性对用户行为的交叉特征，并利用co-action结构做隐式交叉。 用户行为序列作为Feed Feature, 复用attention之前的sequence embedding cspu、qcid、gender、brand等作为Induction Feature，构建3层mlp 做3次阶乘，增加高阶的特征交叉
迭代2: 多场景差异建模
通过构建特征刻画场景偏好以及场景效率的差异
通过构建特征刻画用户活跃度、用户生命周期标签等特征 用户标签-生命周期 用户-不同场景-活跃度 【exp｜clk｜buy｜clickbuy && cspu｜brand｜cate】 用户-全场景-活跃度【exp｜clk｜buy｜clickbuy && cspu｜brand｜cate】 通过mmoe结构，使得模型进一步学习到场景的差异。 尽管丰富了特征，但是不同场景的样本混合，只用一个模型会使得不同场景互相干扰覆盖，难以达到最优的效果，所以进一步对模型结构做了调整，复用了mmoe的结构。 为了凸显场景的差异性，需要对原始的MMoE的 Gate 网络的输入做调整，为此只选择千川id的本身信息作为特征，利用场景id的信息对experts进行选择，使得不同场景经过softmax输出不同的Gate 权重。 针对不同的场景，模型能够感知场景的差异，不同场景能够选择不同的experts子网络的组合，从而实现不同场景的差异化建模。 通过poso结构，使得模型能进一步学习到用户群的差异。 在初步使用用户特征时，发现新用户的特征因为数据稀少(新用户的样本只占所有样本的4.6%)，并没有被网络充分学习利用，导致这些特征即使被MASK也几乎不影响网络参数分布。 为了解决不平衡分布的特征的处理，采用了POSO的结构，主要在Gate侧输入用户标签特征，例如是否新客、是否卖家、性别等特征。然后在全连接结构使用POSO时，全连接的每层输出和gate的输出按位相乘。
5.1 业务
规范对接流程，继续扩展新场景，做到准确高效，如：会场主图，金刚位出图等。 归纳业务诉求，提炼需求共性，进一步扩展能力，如：多类型分发能力、多样性重排能力等。 维护系统稳定，完善监控、神盾巡检，及时发现、处理相关问题。
5.2 算法
5.3 通用性
“
扫码添加小助手微信
如有任何疑问，或想要了解更多技术资讯，请添加小助手微信：