当消费者在电商网站搜索喜好商品时，会看到在页面周边的一些推荐。这些推荐商品中可能是消费者现在需要的，也可能是曾经搜索过的。这一现象背后如果没有强大技术支持，就不会在精准推送的同时还能够保证消费者的体验度。在51CTO举办的WOT2015互联网开发者大会上京东推荐搜索部技术总监刘尚堃给分享了《京东数据驱动下的个性化推荐系统》，51CTO记者也在大会现场对其进行了专访。接下来就来领略身为国内最大自营B2C平台京东是通过哪些技术对消费者进行精准的个性化推荐的？
【受访者简介】
刘尚堃·京东推荐搜索部技术总监
刘尚堃，京东推荐搜索部技术总监，有七年B2C行业搜索经验。目前负责搜索引擎、推荐方面的产品研发和团队管理工作。他领导团队将推荐搜索技术应用于京东各个品牌的支持当中，包括移动端的平台、以及PC端平台、以及微信平台全部的推荐业务和场景。
个性化推荐简述
个性化推荐就是通过全方位的数据精准刻画用户的购买意图，然后有针对性给用户推荐用户购买意愿高的商品，为用户提供极致的产品体验，提升下单转化率，增强用户粘性。个性化推荐模型分为召回和排序两大类，刘尚堃在采访中，通过举例详细的讲解了这两大类模型。
召回模型
召回模型就是选举推荐的侯选，京东主要用到基于行为的召回模型，其分为近期和长期两种，其他还有基于偏好、基于地域等。
基于行为
基于近期行为的召回模型：例如一个用户喜欢最近浏览一些炒股类的书籍，那么就会给这个用户推荐一些他可能感兴趣的其他炒股书籍。像这样就尤其是最近发生的行为，这样的情况就叫做近期行为的相似商品推荐。例如一个用户买了一本《秘密花园》，这时候就会马上给用户推荐彩色笔。像这样的情况就叫做近期行为的商品购买搭配推荐。刘尚堃表示：“基于近期行为的在线算法是最基础最好用同时也是转化率最高的”。
长尾商品的搭配
基于中长期行为的召回模型：中长期的行为通常在半年左右，可以用浏览相似、离线购买搭配和离线的SVD。当在做搭配的时会有一些小Trick。因为京东的商品比较丰富，其中有些新商品没有用户行为。针对这样的情况，利用购物篮分析，建立产品和产品之间的关系。把这些关系应用到个性化推荐中去，提升长尾商品的搭配覆盖率。
基于偏好
基于偏好也就是用户画像：比如女孩又比较喜欢化妆品买衣服，那么就会根据她在京东过去的一些行为，针对兴趣爱好进行推荐。当然在推荐的时候，还要考虑到用户的购买力，敏感度等问题。如果用户特别钟爱户外用品，这就是用户的偏好。喜欢韩版衣服，这是用户的修饰的偏好。当不知道用户喜欢什么产品，也不知道什么兴趣爱好甚至偏好时，就会通过一些算法来预测你感兴趣的产品。基于大数据从海量的其他用户中挖掘最接近的一个用户，看看他喜欢什么样的东西，他的兴趣是什么，他的品牌是什么，然后再传递给用户。
基于地域：京东有很多配送地，可以把一些区域做一些建模，比如说三里屯地区扑克牌、色子买的人比较多，因为有人需要它们给女孩变魔术。还有一些别的地区，也可能有类似这样的偏向于某一种消费品。通过区域划分可以获得很多的信息，比如购买力，就拿万国城和史个庄相比，万国城的消费程度比较高，就推荐一些高价位的商品。地域模型主要还可以用在没有任何消费行为的新用户上，就拿一名从来没有在京东上购买过商品的学来说，如果他是清华大学这个区域，就推荐一些比较有难度的考研题目，或四六级书籍。如果是北京联合大学的学生，就相对应简单一些。
排序模型
当积累一定的用户和流量，有一定点击和购买之后，就需用到排序算法。
排序学习
标记：Point、pair、wise。第一步是做模型选取，因为模型有不同的特征和特性需要选取模型。第二是根据选取的模型进行标注，如果是Point标注，是选取正例和负例，如果是pair wise标注方法是，比如用ABCD四个商品，A没有任何操作，B点击了，C购买了，D没有任何操作，那么就是点击了BA，那么BA就是一个正例。CA因为是实际购买的，是正例，还有CB由于C是购买，B是点击，购买比点击更重要一些，CB也是正例，CD也是一个正例。后面的Tao是比较重要的程度。
特征计算：召回模型标记特征，在线相似、在线相关、离线相似、离线相关，基于用户画像的召回和基于地域的召回，从哪个模型召回，这是我们重要的内容。商业模型，比如某一个商品是大品牌还是小品牌等。用户特征，实际上是对用户画像的维度，用户的性别和购买力，还有用户之前点击的商品以及之前购买的商品是什么等。商品特征，，商品的销量数，价格区间等。、上下文特征，指的是用户之前和之后一系列的操作等。时间特征，什么时间点对这个商品进行了点击和购买等。地域特征、季节特征等。
离线计算和在线计算
离线计算，数据存在Data Mart，通过Hadoop上面运行Map Reduce，另外大量通过Mahout和Spark，通过分布式任务调度系统将输送的结果存入HBase当中。
在线计算计算流程，通过Kafka接收消息存入HBase当中，在线计算主要基于Storm，实时消息基于Kafka是150亿+消息的处理。
未来突破点
当问及未来针对个性化推荐系统从哪个角度去突破时候，刘尚堃这样说：“个性化推荐会达到一定瓶颈是肯定的，不敢说在机器学习、推荐搜索算法上，已经达到了一个什么样的高度。因为在前面有很多巨头，包括国外也有不断地出现一些新的技术。京东推荐部门经过了几年的发展不断的趋向完美，在资深团队成长的同时还有来自新浪谷歌的科学家加入。在过去，京东关更多关注的是推荐系统怎么去带动京东的销售，怎么帮助网站提高转化率。在未来，需要更多考虑的是体验类的指标，就是怎么去提升用户体验度。”
个性化推荐助力618大促
当提及今年的618大促，刘尚堃说：“在过去，618是对京东系统的一次考验或者压力测试。但现在随着京东系统的技术成熟，从2014年开始，618更像是一次Party。可以从中结识新朋友、新人可从中学到知识。在个性化推荐方面，今年针对618设立了特别的场景并进行优化和提升，达到千人千面“。
写在最后：
一路走来京东个性化推荐有着突飞猛进的发展，后续还会从用户体验度出发，研发一些有惊喜度或者吸引人的产品。采访最后，刘尚堃表示“京东下半年准备直接在用户没有下单情况下，利用大数据技术直接将商品给到用户，当然用户也可以拒收，这开始会在小范围实施”。可以设想一下，你需要的商品不用通过下单，就会送上门来。那时候是怎样一番情景？
