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