推荐算法小技巧

1、MAB 多臂老虎机策略

（1）原理

对于0-1奖励（点击/不点击），每个臂用分布建模该臂的真实点击率，核心就是维护每个arm的两个参数：。

（2）工作流程

候选商品维护两个参数，定时更新参数（考虑点击、加购、下单等因素），分地区、分人群定时更新冷启动数据。

（3）为什么适合冷启动

2、Item‑CF 协同

（1）目的

计算物品之间的相似度，给用户推荐和他历史交互过物品相似的物品。

（2）流程

1. 输入用户点击物品行为数据（用户ID，物品ID）

2. 生成物品-用户倒排表 (itemId, [userId1,userId2,...])

3. 计算相似度

4. 每个物品只保留 Top‑N 最相似物品

3、ALS 向量

（1）原理

ALS：交替最小二乘法，属于矩阵分解。

矩阵分解目标：把大稀疏行为矩阵R拆解为两个小的稠密低维矩阵。

损失函数：

交替迭代：

• 固定物品矩阵 V，求解用户矩阵 U
• 固定用户矩阵 U，求解物品矩阵 V
• 反复交替迭代若干轮（10‑20 轮），损失收敛停止。

（2）交替的逻辑

ALS 交替求解，得益于解析解：当固定物品矩阵 V，每个用户向量可以独立求解；固定 U，每个物品向量可以独立求解。 Spark 实现的时候：

1. 将固定住那一份矩阵（V/U）通过广播变量分发到所有 Executor；
2. 数据按用户 id 分组，本地利用广播里的物品向量，逐个算出新用户向量；
3. 下一轮，把刚算出来用户矩阵广播出去，数据按物品 id 分组，逐个求解物品向量；
4. 交替迭代，不需要全局大矩阵运算，实现分布式。

4、DeepFM

（1）概念

DeepFM同时自动学习一阶、二阶显示低阶交叉，以及隐式高阶特征交叉，端到端训练，不需要人工构造交叉特征。

（2）整个流程

1. 特征输入与预处理

输入包含离散特征、连续特征；连续特征通过分桶离散化，统一转为多组 Field 稀疏特征，最终输出高维 0/1 onehot 特征。

2. Embedding层

每个 Field 对应一张可训练 Embedding 查表，每个特征取值对应一条低维稠密向量。FM 模块与 DNN 模块共享同一套 Embedding 参数。

3. FM模块：低阶特征组合，包含一阶线性 + 显示二阶交叉

4. DNN模块：高阶隐式特征交叉

将所有 Field 的 Embedding 向量拼接为稠密向量，送入多层全连接网络，通过非线性变换学习隐式高阶特征交叉，输出标量

5. 两路融合，输出预测概率

融合 FM 低阶记忆能力与 DNN 高阶泛化能力，相加后过 Sigmoid 得到 CTR 预估概率

6. 损失函数（二元交叉熵）

7. 反向传播更新参数

根据loss反向传播，端到端联合更新所有参数：Embedding向量、FM一阶权重、DNN全连接层权重与偏置。

5、多路召回策略

1. 内容标签召回

基于物品的属性标签（类目、关键词、属性）做匹配。提取用户历史交互物品的标签，召回拥有相同 / 相似标签的商品。

2. 热门趋势召回

依据曝光、点击、GMV 等指标统计全局 / 类目下的热门商品，筛选近期热度上涨的趋势商品。

3. 业务规则召回

根据业务运营逻辑配置规则生成候选集。例如活动商品、新品池。

6、新品生命周期

4个阶段：冷启动探索期 -> 效果验证期 -> 正常流量期 -> 衰减/下线期。

冷启动探索期：没有交互数据，由MAB多臂老虎机做流量探索

验证期：MAB更新Beta分布参数，表现好就加大曝光

流量期：Item-CF、ALS向量等多路召回生效，交由GBDT+LR、DeepFM精排进行推荐

衰减期：过季则业务规则直接过滤，质量走低则粗排、精排打分持续变低，自然流量衰减

7、高点击低转化问题

CTR 只衡量 “愿不愿意点进来”，不代表 “愿意下单购买”，存在信号偏差。

1. 粗排考虑商品加购、下单的因素

2. MAB的两个参数也会考虑加购、下单的因素

3. 精排模型仍然只考虑CTR，但是会在精排输出时乘以CVR相关的衰减函数

8、精排后的后置处理

1.分数纠偏：CVR平滑惩罚

2. 多样性打散：类目打散、结果去重

3. 用户侧过滤：下架、无库存商品

4. 运营干预：运营坑位插位、黑白名单商品

9、服饰类目增量拓新

为实现服饰类目成交增量，且保证平台原有大盘 GMV 不受影响，基于 Spark Pregel 图计算引擎构建用户 - 商品二部关系网络。以服饰爆款商品为种子进行三度关系扩散，精准挖掘出存在潜在服饰偏好、但因行为稀疏被传统推荐算法遗漏的增量潜力人群，解决了常规推荐服饰拓新能力弱的问题。

针对挖掘得到的服饰潜力人群，落地精细化运营投放策略。将该专属人群包同步至运营后台，通过首页运营位、活动坑位定向加码推送服饰类目商品，精准激活用户潜在兴趣，为服饰类目带来增量曝光。

同时在推荐链路中做定制化优化，为该部分人群新增服饰类目专属 ALS 向量召回通路，弥补协同召回无法覆盖弱偏好用户的短板，提升服饰商品的召回命中率。此外通过类目配额约束做策略兜底，严格保障原有推荐流量结构稳定、不挤占优质流量。最终在无损大盘 GMV的前提下，显著提升服饰类目整体曝光与成交，实现类目精细化增量增长。