深度召回技术在文玩个性化推荐中的应用探索

"该文档是赵争超在DataFunTalk分享的关于‘2-4+深度召回在文玩个性化推荐中的实践’的主题报告，主要介绍了文玩垂直电商平台微拍堂在个性化推荐系统上的挑战和解决方案，涉及拍品和用户理解、算法框架、召回策略以及多兴趣学习等内容。" 在文玩领域，个性化推荐系统的实施面临诸多挑战。首先，由于文玩是非标品，缺乏标准化的属性ID来表达其独特卖点，这增加了拍品理解的难度。其次，文玩商品的库存浅、生命周期短，使得直接对拍品ID进行embedding学习变得困难，同时也限制了利用历史行为信息的有效性。再者，用户的专业性差异大，使得模型在捕获用户消费需求时存在不确定性，用户embedding的质量因人群差异而异。此外，部分用户对特定文玩的兴趣过于集中，这给推荐内容的多样性带来了挑战。最后，在使用faiss进行多兴趣召回时，如何实现带有约束条件的最近邻搜索也是一个问题。 针对这些问题，微拍堂提出了一套解决方案。他们采用了一个通用的算法框架，包括可插拔式的Matching和Ranking模块，以实现多层的推荐排序。在召回阶段，设计了可插拔式多路召回策略，结合了拍品向量学习（如item2vec）和关键词意图向量学习，同时利用预训练的item unit网络和跨域学习来提升表示学习的效果。为了更好地理解和表示用户，他们开发了user2vec模型来捕捉用户的多兴趣向量，并且通过用户多兴趣类目模型来处理用户的多元化需求。在数据层面，利用NLP技术如分词模型、实体识别以及图像处理技术如Logo识别、内容检测和图片分类，以增强拍品和用户的特征提取。 微拍堂通过深度学习和多模态信息融合，构建了一个适应文玩行业特性的个性化推荐系统，有效解决了文玩领域的推荐挑战，提升了用户体验和流量分发效率。未来，他们将持续优化模型，探索更先进的技术，如深度强化学习和多任务学习，以进一步提升推荐的准确性和多样性。