京東618：演算法讓UV價值提升200%+，用智慧賣場縮短購物路徑

在今年京東618技術備戰中，一個特色就是基於大資料、機器學習技術的智慧賣場，用以縮短購物路徑、提升購買效率，這也是“京東大腦”的一個典型應用。近日，京東智慧賣場技術團隊接受CSDN記者專訪，介紹了京東智慧賣場的技術體系及構建智慧賣場的核心技術。

京東介紹，針對618大促，“智慧賣場”專案在PC、APP、微信的主會場，依據京東大資料測算的使用者畫像進行個性化推薦，涉及商品、活動、類目、品牌、優惠券等賣場元素，提升使用者在大促期間購買效率。樓層推薦、品牌推薦、活動推薦或者商品推薦，不同的業務都會有各自對應的不同優化目標的模型。其中，深度學習演算法已經應用於自然語言處理中的關鍵任務環節和CTR預估場景。當然，對於一些新的推薦業務，京東會先用非機器學習的演算法上線收集一段使用者的行為資料作為訓練集，而後才用機器學習演算法。

對於未來，京東希望將業務目標與演算法優化的目標很好地結合起來，並且支援同一個頁面多種不同優化目標的有機融合，實現整個頁面整體收益的最大化。更遠的未來，京東則認為Bot會成為下一代智慧賣場的形態——智慧賣場只是幫助使用者縮短了購物路徑，Bot將會進一步縮短這個路徑，由使用者直接與Bot交流就可以完成。這需要深度學習更好的應用。

以下為採訪內容實錄：

CSDN：京東的願景，智慧賣場的整體設計結構是什麼樣？推薦搜素、智慧賣場和京東大腦在業務邏輯和技術邏輯上是什麼樣的關係？

智慧賣場團隊：京東集團本年度三大戰略是電商、金融和技術，而技術中的重點就包括京東大資料，“京東大腦”是應運而生的戰略專案之一。如下圖所示，該專案基於大資料探勘、人工智慧等技術能力，通過搜尋、推薦、智慧賣場、攬客計劃、智慧物流、智慧資料等多種產品形態，對京東現有系統，從架構層的基礎設施、資料平臺、計算分析，到業務層的精準營銷、智慧選品、個性化投放、智慧物流等方面，進行有效滲透及優化，最終形成在計算能力和資料質量方向的大腦化運作，提高京東銷售、採購、倉儲配送等多方面的商業價值、降低運營成本，從而全面提升京東的智慧化水平。

CSDN：針對今年的618，智慧賣場主要做了哪幾個方面的技術改造？智慧賣場對618訂單貢獻的預期是什麼樣的？

智慧賣場團隊：針對618大促，“智慧賣場”專案在PC、APP、微信的主會場，依據京東大資料測算的使用者畫像進行個性化推薦，涉及商品、活動、類目、品牌、優惠券等賣場元素，提升使用者在大促期間購買效率。

使用者通過PC端登陸京東首頁，在第二屏的品牌智慧推薦板塊，專場期（6月1-17日）期間，通過演算法智慧推薦品牌相比人工運營品牌的效果，點選率日均提升138%，UV價值（GMV/UV）日均提升超過200%；在APP端，登陸京東首頁，瀏覽到618期間的會場入口模組，高潮期（6月18-20日）UV價值最高增長超過100%。

CSDN：智慧賣場的支撐包括哪幾類模型？是否還在採用一些非機器學習演算法？春節年貨轉化率提高百分之百的測試，提升來自哪些模型的改變？這是一個通用的調整嗎？

智慧賣場團隊：支撐智慧賣場的模型從不同的維度分成多種模型。在實際應用中根據業務需求的不同設定不同的優化目標從而選擇不同的模型；從推薦業務型別來看，分為樓層推薦、品牌推薦、活動推薦或者商品推薦，不同的業務都會有各自對應的不同優化目標的模型。

對於一些比較成熟或者應用場景較為簡單的推薦業務，例如商品推薦、樓層推薦，我們不再採用非機器學習的演算法。而對於一些新的推薦業務，例如活動推薦等等，由於之前不曾展現給使用者，所以我們需要先用非機器學習的演算法上線收集一段使用者的行為資料作為訓練集，而後才用機器學習演算法。

年貨節的提升主要來自商品推薦業務中，以優化轉化率為目標的模型。這些調整是通用的。

CSDN：移動端和PC端的智慧賣場，依據其實都是使用者/商品/小區畫像，除了介面的差異，兩者在後端的處理上要解決的問題有什麼不同？對推薦搜尋和移動研發、交易平臺研發的協作有什麼樣的要求？

智慧賣場團隊：這兩者要解決的問題本質上是相同的，所以用的演算法引擎是相同的。但由於業務場景不同，我們讓機器去學習的時候給機器的訓練樣本會不一樣，在PC端主要用使用者在PC端的行為資料來訓練模型，而在移動端則是用使用者在移動端的行為來訓練。另一方面在系統層面上，PC端和移動端，我們對接的前端分流系統也不相同。

對於移動研發、交易平臺研發的協作，有兩點比較重要。一個是穩定的使用者分流，這就要求同一個使用者在一段時間（至少1個月）內都得落入同一種演算法的流量之中，這樣才能保證使用者短時內多次來訪時體驗的一致。另一個是正確的使用者行為跟蹤埋點資訊。對於使用者的檢視和點選行為，我們要做到實時且準確地捕獲到。

CSDN：如果模型預測的結果為無貨商品或下架商品，你們如何處理？

智慧賣場團隊：在推薦的結果中，如果出現無貨或者下架的商品，我們將不會展示給使用者。作為替代，我們將會給使用者推薦它的相關或者相似的商品。這些相關相似商品的來源是多種多樣的，都是基於使用者的訴求去尋找到的替代的商品來源。

CSDN：京東特別強調實時，但實時的挑戰和投入需求都很大，如何決定實時推薦和離線推薦的使用？

智慧賣場團隊：實際上我們目前已經很好地支援了實時推薦，並且經歷過多次618和雙11的考驗。例如PC首頁的猜你喜歡、APP首頁的為你推薦等模組，都應用了實時推薦技術。對於實時推薦我們認為有兩個比較典型的應用場景，一個是像猜你喜歡/為你推薦這類幫助使用者去發掘和擴充套件更多的興趣點、增加使用者粘性的模組，我們要能夠根據使用者最近1-2分鐘內的行為做實時的推薦，這樣可以很好地延續使用者的行為，讓使用者感覺到這個地方很貼心，確實是專屬的。另一個是在大型促銷中。大型促銷中，吸引使用者的點會有很多，比如大力度的促銷活動、秒殺等等，在這個場景裡面對推薦的時效性要求非常高。這個時候除了考慮使用者自身的興趣，還要考慮線上活動的實時點選和轉化的資料。將轉化率和個性化推薦相結合已經被證明比單純個性化或者單純推高轉化的活動效果要好很多。

CSDN：現在看來最高大上的智慧技術就是深度學習，或者是取代傳統模型，或者擴充傳統方法解決不了的問題，但整個網際網路推薦的深度學習探索都還比較初級，京東目前有什麼經驗可以分享？

智慧賣場團隊：在京東目前基於Deep Learning的模型已經在兩大類場景中得到了應用，一類是自然語言處理中的關鍵任務環節，另一類則是在CTR預估場景，這對於網際網路場景下無論是搜尋、推薦還是線上廣告，都非常重要的核心環節。

CSDN：基於Docker的彈性雲平臺的全面推廣，對智慧賣場的構建、演算法實驗帶來哪些變化？

智慧賣場團隊：這次618智慧賣場已經全面使用彈性雲了，這相比以往基於物理機的部署方式提供了更大的靈活性，以前基於物理機部署時需要投入大量人力、時間進行交叉部署，使用基於Docker的彈性雲後，智慧賣場演算法實驗應用服務可以在獨立容器中部署，可以更方便靈活地依據不同應用特點進行資源分配；同時，基於彈性雲可以更快捷地針對突發流量進行相應資源的容器申請和部署，這次618我們就準備了大量臨時容器用於緊急擴容。

CSDN：未來有沒有可能用完全個性化的智慧賣場來取代現有的京東首頁？實現這一點的需要哪些技術突破？

智慧賣場團隊：將京東首頁個性化一直是我們的長遠目標之一。但是由於京東首頁流量較大，參與的業務形式非常多，有很多業務模組，且許多模組不是僅僅用個性化就可以解決的。所以在技術突破上相當重要的一點，就是如何將業務目標與演算法優化的目標很好地結合起來，並且支援同一個頁面多種不同優化目標的有機融合，實現整個頁面整體收益的最大化。

CSDN：還有一種說法：基於Bot的互動將取代App成為新一代智慧應用的主流形態，Facebook、Google、微軟都有這方面的探索，在京東的場景下，您認為終極的智慧賣場會是Bot嗎？這種進化的成功需要什麼樣的技術條件？

智慧賣場團隊：我們認為Bot會成為下一代智慧賣場的形態。因為購物非常需要顧客與導購人員之間的交流，就像大家在商場裡買東西一樣。現在無論是PC還是APP，還是使用者單方面來尋找資訊，目前智慧賣場做的事情只是幫助使用者縮短了購物路徑，讓他們更高效地發現真正感興趣的東西。將來的Bot將會進一步縮短這個路徑，由使用者直接與Bot交流就可以完成。這種進化的成功需要有比較成熟的語音與影像的處理能力，以及深度學習在智慧賣場中更好的應用，包括運算速度和準確度的提升。

---

CCAI 2016中國人工智慧大會將於8月26-27日在京舉行，AAAI主席，多位院士，MIT、微軟、大疆、百度、滴滴專家領銜全球技術領袖和產業先鋒打造國內人工智慧前沿平臺，6大主題報告，人機互動、機器學習、模式識別、產業實戰相關4大專題論壇，1000+高質量參會嘉賓。門票限時六折優惠中。