内容要點
本文主要以電商行業為例，從服務搭建流程、推薦測試流程、最佳實踐分享适配的智能推薦快速搭建方式和實踐政策。
服務搭建流程
智能推薦作為一款大資料應用産品，資料是第一生産力，如果在沒有任何資料的情況下，想做千人千面的推薦，是不太可能的。資料對于整個模型而言，都是非常重要的。智能推薦所需要的資料，分為三類，user，即推薦面向的終端使用者的資訊；item，即要推薦的内容，例如在電商行業就是商品；behavior，即行為，指發生在user和item之間的互動動作，在平台上，消費者的消費偏好，商品的使用者喜好畫像，都可通過behavior來表征。
對于智能推薦的模型來說，一方面依賴海量的行為，進行模型計算，另一方面也會根據商品、使用者的靜态屬性做分析推薦。無論是上報的全量資料表，還是後期的行為資料、使用者資料、商品資料，經過全量和增量資料的合并，代表了AIRec底層的資料倉庫，最終會提供推薦經過精排之後的結果集。從資料層到智能推薦的結果集，中間經曆了模型的訓練。
在開通智能推薦之前，需要做資料準備，包括user、item、behavior，之後進行執行個體的開通和配置。因為不同的行業具備不同的屬性，優化的目标和所需的資料類型都有差别，是以智能推薦會按照行業模闆來區分。
第二步，需要選擇推薦服務類型，表示智能推薦的結果，有猜你喜歡、相關推薦，不同的類型應用的場景是不同的，需根據業務場景進行選擇。
配置資料源，現有3種配置方式。之後進行模拟測試，後期也需要把實時變化的資料同步到智能推薦。通過SDK擷取推薦結果。
資料準備階段，所面向的user都是平台上的消費者，item就是商品，behavior就是使用者和商品之間發生的關關聯作。使用者需要按照産品官網上的資料規範，結合每個字段的資訊進行上報。
使用者表
使用者表是實作千人千面的前提，因為希望實作給每個消費者都提供不同的商品集，需確定通路的每一位使用者都有自己唯一的身份辨別，可通過user_id或者手機裝置号确定。如使用者是遊客狀态，則需通過其他方式确定使用者身份，否則将隻能獲得熱品的推薦。另外還需要提供使用者特征的字段，包括性别、年齡及其他标簽，将有利于基于畫像特征分析的推薦。
物品表
代表商品的資訊表。每一件商品也需要具備唯一性。智能推薦通過item_id和item_type來标記指定唯一的商品。Status表示了目前商品狀态是否可被推薦，0表示不可推薦，1表示可推薦，可實施遇到商品上下架時的幹預。Title表示對商品的标題描述，智能推薦會結合商品的描述進行語義分析。Scene_id表示物品可被投放的子場景ID，通過這個字段進行區分和效果觀察，可根據推薦展現形态進行設計。Weight指item的權重值，當産品品質較好，或考慮到業務方、廣告主的要求,可進行權重，初次接入時，建議不要權重，權重可能會導緻模型結果受到人為的幹擾，對效果産生負影響。pub_time代表内容釋出時的時間戳（秒級），用于判斷内容是否為新品，expire_time表示内容失效時間戳，失效後，商品将不會再被推薦，兩者用于控制item時效性。category_level表示類目層級數，category_path表示類目路徑。Tags表示标簽，可加具體的類目含義，例如品牌資訊、屬性、适用人群，會被用于模型的訓練，利于效果提升。
場景具體使用
比如淘寶首頁猜你喜歡，有全部，表示所有商品都可出現，便宜好貨則有價格門檻，隻有低價産品會在這個tag頁出現，以上兩個就是完全不同的推薦場景。如果APP上有類似的形态，需要在商品選擇、部署上進行場景區分。另外，包括購物車的猜你喜歡和首頁的猜你喜歡也是不同的，投放端的不同，會帶來使用者心智、行為不同等，建議區分不同投放端進行效果觀察。
行為表
行為表征了平台上使用者的特征資訊、傾向。每一條行為也需要定位到唯一的使用者和商品。bhv_type表示行為類型，例如曝光、停留、點選、收藏、下載下傳、購買、加購、評價等。trace_id表示請求追蹤/埋點ID，用于在AB實驗時區分，效果對比。trace_info表示請求埋點資訊。bhv_time表示行為發生的時間戳。bhv_value表示行為詳情，例如點選次數，停留時長，購買件數、購買金額等。曝光資料是必不可少的，如曝光之後，有停留、點選、收藏、下載下傳等行為資訊，可将曝光資料在模型中作為負例資料。
執行個體建立
智能推薦目前支援内容型、商品型、新聞型模闆，如視訊類型需要在内容型進行建立。
資料對接方式
以下情況，可啟用第一種資料對接流程
- 如行為資料沒有埋點或需要進行埋點更新，可用定制版SDK進行埋點。
- 如資料本身就用了友盟SDK采集，需要結合資料規範稍作修改就可完成資料上報。
A 資料對接流程
通過友盟SDK采集到的行為資料，需要在控制台進行配置即可自動同步，無需手動上報。
以下情況，可啟用第二種資料對接流程
- 如資料存在MaxCompute，需按照标準配置進行執行個體建立，後續同步SDK即可。
B 資料對接流程
以下情況，可啟用第三種資料對接流程
- 如資料沒有存在MaxCompute或需要快速啟動服務，可以使用服務端的SDK快速對接資料。
C 資料對接流程
結果擷取
需指定場景、唯一使用者、請求數量（一次最多請求50條結果），将傳回唯一商品、位置資訊、traceinfo，之後将進行行為資料的回傳，行為類型、發生時間、場景、traceinfo，将這些行為資訊回傳給智能推薦後，就形成了流轉的過程，促進結果的實時更新。
推薦測試流程
使用者分為兩種，一是老使用者，存在行為；二是新使用者，不存在行為，需根據兩種不同的使用者分層進行測試。推薦測試包括結果測試、功能測試、效果基礎測試和效果進階測試。在測試之後，将會正式接入線上流量，進行結果的持續觀察和效果提升。
最佳實踐政策
首頁推薦可以結合長短期興趣、使用者畫像分析進行集中展示。
資料圈選
1、提前過濾違規、品質差的商品
2、按照場景訴求進行選品分類，類似便宜好貨，保證價格門檻
3、及時更新商品生命周期
特征豐富
1、具備商品的标題資訊
2、上傳商品的類目、品牌、風格、性别等資訊
3、豐富曝光、點選、購買行為上報
電商行業經常遇到的問題
為應對使用者疲勞，可進行打散和混排。
加入社群
點選訂閱
《阿裡雲搜尋與推薦技術交流期刊》掃碼入群，了解更多資訊，擷取課程資料