目錄
一、推薦算法框架
推薦系統框架如上圖所示,主要包含兩個重要模塊:檢索模塊(Retrieval)和排序模塊(Ranking)。檢索模塊獲取推薦結果候選集,排序模塊對待推薦的商品排序,最終按照得分高低推薦給用戶。
二、京東Telepath模型
在電商網站,有兩個因素影響用戶行爲:商品吸引力和商品與用戶興趣的匹配度。京東提出telepath推薦模型:從用戶視覺的角度,理解用戶的興趣偏好。Telepath模型融合了CNN、RNN、DNN三種神經網絡,CNN模擬用戶視覺,獲取商品圖片吸引力的關鍵視覺信號,DNN和RNN基於用戶瀏覽記錄獲取其興趣信息。Telepath模型成功應用在京東的推薦系統和廣告系統,並且明顯提高冷門商品的曝光率。
Telepath算法框架如下所示,主要包含:圖片視覺吸引力特徵的提取(Vision Extraction)、用戶興趣的捕捉(Interest Understanding)、得分預測(scoring)。
1、圖片視覺吸引力特徵的提取(Vision Extraction)
選擇六個分類:表(watch)、手機(cellphone)、羽絨服(down jacket)、沙灘鞋(beach shoes)、奶粉(milk powder)和餅乾(cookies)。每個分類隨機選擇10000個商品,構建CNN網絡,獲取圖片的特徵向量。
CNN網絡結構如下,最終圖片的特徵向量用50維的稠密向量表示。
2、用戶興趣捕捉模型(Interest Understanding)
構建RNN、DNN模型,從用戶次序瀏覽商品的行爲中,獲取用戶的興趣偏好。
RNN(N=3 LSTM layers)捕捉用戶的短期興趣,DNN(3-layer)捕捉用戶的長期興趣,用戶的短期和長期興趣用50維的向量表示。
3、得分預測(scoring)
得分模型計算用戶的偏好向量和商品圖片的特徵向量的匹配度,構建LR模型,結合用戶興趣偏好向量、商品圖片的特徵向量、以及用戶和商品信息,預測用戶對商品的偏好得分。
參考資料:
Telepath:Understanding Users from a Human Vision Perspective in Large-Scale Recommender Systems