收藏页面     下单流程
分站加盟
首页>淘宝空包>正文

单号空包网浅析:深度解析京东个性化推系统演进史

2020/1/2    来源:空包90    作者:admin    分享到:

单号空包网认为,在我们的日常生活之中,很多朋友都是有着这些网络购物的习惯,因为进行网络购物非常的方便,只需要在电商平台之中进行下单,那么很快就会有快递员送货上门,这也使得我们国家的电商行业发展非常的迅速,在我们国家的电商行业之中,京东可以说是其中的巨头企业,对于电商行业的发展也是起到了巨大的推动作用,京东推荐也是成为了很多电商平台争相模仿的功能,最开始的京东推荐是在2012年进行推出,当时的经推荐也是为了满足消费者的购物需求,从而更好的引导消费者进行网络购物,从而更好地吸引消费者,也是获得了消费者的欢迎,下面单号空包网简单进行分析。

 
  个性化推荐系统的核心是推荐引擎,推荐引擎的一般处理过程是召回候选集,进行规则过滤,使用算法模型打分,模型融合排序,推荐结果多样化展示。主要使用的技术是机器学习模型,结合知识图谱,挖掘商品间的关系,按用户场景,通过高维特征计算和海量召回,大规模排序模型,进行个性化推荐,提升排序效果,给用户极致的购物体验。
 
  推荐引擎处理逻辑主要包括分配任务,执行推荐器,合并召回结果。推荐器负责召回候选集、业务规则过滤、特征计算、排序等处理。推荐引擎技术架构如图7所示。
 
  深度解析京东个性化推荐系统演进史
 
  图7推荐引擎技术架构
 
  分配。根据推荐场景,按召回源进行任务拆分,关键是让分布式任务到达负载均衡。
 
  推荐器。推荐引擎的核心执行组件,获取个性化推荐结果,推荐器的实现如图8所示。
 
  深度解析京东个性化推荐系统演进史
 
  图8推荐器架构
 
  召回阶段。获取候选集,一般从基于用户画像、用户偏好、地域等维度进行召回,如果是新用户的召回资源不够,会使用冷启动服务进行召回。
 
  规则过滤阶段。对人工规则、一品多商、子母码、邮差差价等进行过滤。
 
  特征计算阶段。结合用户实时行为、用户画像、知识图谱、特征服务,计算出召回的候选集的特征向量。
 
  排序阶段。使用算法模型对召回候选集打分,根据召回源和候选集的分值,按一定的策略对候选集进行重新排序。
 
  合并。归并多个推荐器返回的推荐结果,按业务规则进行合并,考虑一定的多样性。举例来说,京东App首页“猜你喜欢”的实现过程如图9所示。首先根据用户画像信息和用户的近期行为及相关反馈信息,选择不同的召回方式,进行业务规则过滤;对满足要求的候选商品集,提取用户特征、商品特征、用户和商品的交叉特征;使用算法模型根据这些特征计算候选商品的得分;根据每个商品的得分对商品进行排序,同时会丰富推荐理由,考虑用户体验,会对最终排好序推荐结果进行微调整,如多样性展示。
 
  深度解析京东个性化推荐系统演进史
 
  图9猜你喜欢实现过程图
 
  五、用户画像
 
  京东大数据有别于其他厂商的地方就是京东拥有最长的价值链和全流程的数据积累。京东数据的特征非常全面,数据链记录着每个用户的每一步操作:从登录到搜索、浏览、选择商品、页面停留时间、评论阅读、是否关注促销,以及加入购物车、下订单、付款、配送方式,最终是否有售后和返修,整个用户的购物行为完整数据都被记录下来。通过对这些用户行为及相关场景的分析,构建了京东用户画像,如图10所示。
 
  其中不仅有用户的年龄、性别、购物习惯,更有根据其购物行为分析出的大量数据,例如是否已婚,是否有孩子,对促销是否敏感等。另外,实时用户画像可以秒级分析出用户的购买意图,以及实时兴趣偏好。京东推荐用户画像技术体系如图11所示。
 
  用户画像在京东各终端的推荐产品中都有应用,618推出的智能卖场是用户画像的典型应用场景。智能卖场的产品包括发现好货、个性化楼层、秒杀、活动、优惠券、分类、标签等。以秒杀为例,推荐结果会根据当前用户的用户画像中的画像模型(性别、年龄、促销敏感度、品类偏好、购买力)进行加权,让用户最感兴趣的商品排在前面。
 
  用户画像也是场景推荐的核心基础。以东家小院为例,根据用户的历史行为汇聚出很多场景标签,按当前用户的画像模型,调整场景标签的排序。如用户选择“包治百病”标签,会按用户画像中的性别、年龄、品类、促销敏感度等画像模型进行推荐商品的重排序。
 
  深度解析京东个性化推荐系统演进史
 
  图10用户画像示意图
 
  深度解析京东个性化推荐系统演进史
 
  图11京东推荐用户画像技术体系
 
  六、特征服务平台
 
  特征就是一种属性的描述,特征是个性化推荐的基础,常用的特征分为单边特征和双边特征。单边特征是指对象本身的属性描述,如商品的颜色;双边特征是指两个对象交互程度的描述,如某用户最近一小时浏览的品牌与候选集中品牌的匹配程度。从特征生成的场景来说,分为离线特征和实时特征。离线特征是通过算法模型提前生成,实时特征是通过实时计算的方式生成的。特征的质量直接影响推荐的效果、特征计算的性能,同时影响个性化推荐的处理能力。另外,共享和复用特征可以提高算法的迭代速度并节约人力成本。
 
  特征服务管理平台主要针对特征数据和特征计算,进行有效声明和管理,进而达到特征资源的共享和复用。特征服务平台能快速满足针对制定不同的特征进行有效的声明、上线、测试以及A/B实验效果对比的需求,做到特征的可维护、可说明、可验证。特征服务平台的主要功能如下:离线特征的定制化使用,在线特征的定制化使用,由定制化特征产生新的特征,部分特征、模型在线申明,不同特征效果快速A/B。特征服务平台架构如图12所示。
 
  深度解析京东个性化推荐系统演进史
 
  图12特征服务平台架构
 
  七、场景特征回放技术
 
  推荐的一般处理逻辑是每次请求会召回一批商品,然后根据用户的行为数据和用户模型计算出每个商品的特征。算法模型会根据每个商品的特征计算出每个商品的得分,最后选出得分最高的几个商品推荐给用户。
 
  线上计算特征这种行为是一次性的,不会被记录下来。因此在线下训练模型的时候,如果想利用上述的特征,就需要在线下机器上再次计算一遍这些特征。遗憾的是,线下计算出来的特征往往不能和线上特征完全相同,这就导致了模型训练的效果较差。场景特征回放示意图如图13所示,推荐业务调用推荐引擎,推荐引擎将场景特征通过特征回放服务记录下来,推送至大数据平台,机器学习根据场景特征数据重新训练算法模型,进而影响推荐引擎中的排序,形成一个场景闭环推荐,达到更准确的个性化推荐。
 
  深度解析京东个性化推荐系统演进史
 
  单号空包网认为,京东在最近的发展其实并不是非常的顺利,之前也是因为刘强东的性侵事件,使得京东的声誉受到了严重的影响,京东的股价也是不断的下跌,但是京东的实力并没有受到很大的影响,因为京东的底蕴非常的强大,在刚刚过去的双11电商狂欢节之中,京东也是再一次打了一场翻身仗,打破了自己的销售纪录,京东的市值也是开始上升,京东在科技领域之中也是不断的进行创新,因为只有不断的进行创新,才会不被时代所淘汰,京东在发展京东推荐上面也是不遗余力,进行了不断的改进与创新,更好的提高了消费者的购物体验,使得京东获得了更好的发展。
 
  空包网 http://xtra-pub.com/
上一篇:物流空包网浅析:从来就没有什么救世主,新零售也不过是个有创...    下一篇:空包网黑产浅析:农村电商现状:5倍的物流成本,4万多个企业...
空包网(xtra-pub.com)单号网提供空包90 今天起充值50送VIP价格,充值100送代理商价格 !最便宜最专业的空包单号网空包代发平台!