1688推荐系统深度解析：从I2I到U2I的演变与实践

"3-7+1688推荐系统实践" 是由董宇在2019年12月发布的关于阿里巴巴1688平台推荐系统实践的研究报告。这份文档详细记录了1688推荐系统的发展历程，从2017年开始，逐步推进了召回与排序算法的优化。 在2017年，推荐系统的召回阶段主要采用了不平衡的I2I方法和SWING及E-TREC等启发式策略，这些方法具有良好的普适性和高效实时召回性能，同时具有较高的可解释性。SWING结构是典型的例子，它结合了搜索和推荐技术，能快速处理大规模商品。 随着技术的发展，到了2018年，引入了深度学习模型如DeepMatch，用于召回和排序任务。CTR（点击率）方面，从LR（逻辑回归）和GBDT（梯度提升决策树）逐渐演变为更复杂的模型，如W&DL（权重和深度学习）。同时，CVR（转化率）也采用深度学习方法，如DIN（深度 Interest Network）和DIEN（深度 Interest Evolution Network），并且引入了意图识别和CTR/CVR调权机制。 2019年，推荐系统进一步深化，引入了多兴趣DeepMatch，强化了召回的多样性。粗排阶段采用GBDT到双塔模型，CTR任务中使用了DMR（在AAAI20上提出的模型），CVR则应用了ESMM（Enhanced Sequential Matching Model）和MMOE（Multi-Modal Online Embedding）模型。内容化推荐方面，异构网络被用来召回多样化信息，排序则通过HIN（Heterogeneous Information Network）-MTL（Multi-Task Learning）-DBM（Deep Bayesian Model）模型进行优化。 在商品召回部分，DeepMatch作为关键组件，不仅提升了召回效率，还利用深度模型的强大表达能力和丰富的用户行为信息，如类别属性和行为序列。然而，其缺点在于缺乏明确的触发因素，解释性较差，需要通过A/B测试来评估效果。 此外，文档还提到了从I2I（Item-to-Item）召回到U2I（User-to-Item）的转变，其中LFM（Latent Factor Model）和基于序列上下文的Attention用户表征方法被用来建模用户行为。U2I召回，如YouTubeDeepMatch，利用深度学习解决召回效率问题，同时考虑非对称共现行为，并具有向量化能力，但牺牲了一定的解释性。 总结来说，这份报告展示了1688推荐系统从传统方法到深度学习技术的演进过程，以及在召回和排序策略上的创新，强调了深度学习在提升推荐系统性能的同时带来的挑战和优化方向。