数字化信息时代，推荐系统已经成为了 To C 互联网产品的标配技术，而推荐算法对于业务收益的提升也起到了至关重要的作用。像亚马逊、Netflix 等平台，都会通过推荐系统来获取巨大的商业价值，据数据统计，推荐系统每年能为 Netflix 产生超 10 亿美元的商业价值，亚马逊约 40% 的收入来自个性化推荐系统。

对于电商而言，个性化的推荐系统能满足千人千面的海量需求。它的本质实际上是在用户购买意图不明确的情况下，利用机器学习或深度学习算法，结合用户特征、商品特征和场景特征来构建建用户兴趣模型，进而从海量的商品中找到用户感兴趣的商品，缩短用户到商品的距离，提升用户购买效率和产品体验。彭长平认为，个性化推荐，是候选极大丰富场景下的有效分发机制。他从商品数量和质量两个角度解释了京东推荐系统对业务增长的驱动。

第一、数量上，电商的商品 SKU 远远超过人脑能处理的量级，比如“果酱”在京东有十几万个 SKU，斯坦福大学的学者曾经在线下超市做过一个实验，A 组提供 24 种口味果酱，在货架前停留的用户仅 3% 发生了购买，B 组提供 6 种口味果酱，在货架前停留的用户 30% 发生了购买，相对 A 组高出 10 倍。“Less Is More”，在候选太多的电商场景中，“货找人”的个性化推荐帮用户筛选出少量适合他的选择。

第二、质量上，个性化推荐是带平台价值观的，京东推荐系统综合商品的品牌、属性、价格、评价、物流等所有信息，主推“好”、“省”、“快”的商品。因此，在为用户带来更好的购物体验的同时，用户粘性也会增加，从而形成良性循环，带来更好的收益效果。

随着大规模机器学习、深度学习等技术的成熟，它们在商品推荐中的应用也更加广泛。彭长平认为，目前工业界，推荐系统是机器学习算法应用最广泛、最深入、最成功的系统，几乎每一个环节，我们都在用数据和算法驱动的模型，去替代人工拍脑袋。

可能大家最熟悉的深度学习技术用于推荐系统上的应用是点击率和转化率预估，但他还举了几个其他的应用例子：一、召回，召回很难做到一个模型解决所有问题，因此，京东在召回方面同时使用了 Vector-Based、Tree-Based、Graph-Based 多种类型的深度学习模型；二、商品知识图谱，商品的文本、图片、视频理解及商品间的关系，几乎完全依赖于 NLP、CV 等各类机器学习算法；三、Rerank 重排序，推荐是多目标优化问题，在点击率预估值的基础上需要做 Rerank，以提升用户体验和浏览深度，Session 全局优化引导用户不断下拉的业务场景，非常匹配深度强化学习。

由于用户群、业务场景、地域和文化的不同，推荐系统千人千面，纷繁万变的细节当中，不同平台的推荐系统也各不相同。彭长平表示，相对于视频、资讯、直播等媒体内容平台，京东电商的推荐系统做到 60 分会比较容易，但要做到 80 分、90 分却很困难。

从框架上看，推荐系统都在做 User 理解、Item 理解和二者匹配，系统都有选品、召回、点击率预估、Rerank 重排序等环节。但电商推荐的困难在于以下三个方面：

第一、从 User 端看，内容资讯平台，用户的需求相对来说长期不变，内容的消费过程在线上完成。而购物需求的产生和消费过程都在线下，线上只是一个交易过程，线下的过程是难以追踪和数据化的，电商场景对用户需求的识别和激发挑战很大；

第二、从 Item 端看，内容资讯平台的内容生产者们，围绕同一个兴趣主题，可以日复一日地变着花样更新内容。购物场景中，如果用户已经购买，同类的商品就不能再推荐了，对拓展和激发用户的需求更高；

第三、从推荐系统希望用户做出的 Action 看，内容资讯平台的主要满足用户娱乐类需求，消费不合理推荐资讯的成本很低。而购物场景中，推荐系统期望用户点击、浏览，让用户种草甚至让用户花钱购买也是系统优化目标，如果 Item 质量差或推荐精准性不够，用户会抛弃平台的推荐功能，甚至从平台流失。

那么，一个高效、有价值的推荐系统需要具备哪些特点呢？彭长平认为，在用户没有主动需求表达的情况下，将用户喜欢的 Item 分发到其面前就算得上是好的推荐系统。这样的系统需要满足以下三个条件：

第一、是满足用户需求的，体现在用户愿意看，停留时间长上；

第二、是有成长性的，体现在能拓展用户兴趣、能带动优质的商品或者内容提供者成长、对新用户或新商家友好；

第三、是体现平台价值观的，推荐系统促进平台玩家的优胜劣汰。

要做到这三点，推荐系统需要做几方面的工作：一、从 User 行为反馈和 Item 信息中学习，让模型基于数据自适应的进行匹配；二、召回环节没有 silver bullet，需要使用多种不同类型的算法来做召回，各个阶段的模型都要有较强的泛化能力，对冷启动 User 和 Item 做定制优化；三、体现平台价值观的优化目标函数，大部分是多目标优化。

推荐系统是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”，其目标是对用户感兴趣的商品或内容产生有意义的推荐。在充斥着海量信息和数据的互联网上，如果没有推荐系统，用户想获取有价值的内容就犹如大海捞针。推荐系统能通过对大量动态生成的信息进行搜索，为用户提供个性化的内容和服务，有效解决信息超载的问题。随着数字化信息和互联网访问者的爆发式增长，推荐系统显得比以往任何时候都要重要。

京东推荐系统发展到今天，主要经历了以下四个阶段：

一、满足用户需求阶段。 在满足客户需求方面，最早的系统从搜索系统改造而来，将用户近期的浏览的商品理解为用户的需求，Item-based CF 是最主要的召回手段。

二、拓展用户需求阶段。 在这个阶段召回上，无论从数据还是从算法角度，都是从尽可能多的角度去提升召回的丰富度，京东为此立了个项目叫“召回万花筒”，不断提升召回的多样性和覆盖率。在排序环节，优化目标从强调与用户匹配程度的点击率、转化率，到兼顾优化用户下拉深度、新颖性、多样性。

三、Session 全局优化与商家生态优化阶段。 在进入此阶段后，京东的优化重点在 Rerank 环节，将用户在 Session 内的前序浏览行为视为一个完整的 List，Rerank 排序是一个 List 生成和 List 评估的过程，即优化 List 整体用户的浏览量和点击量。另一个方向是引入生态优化机制，模型量化用户和商品间发生一次交互，对用户和商家的长期价值，并将预估的量化价值引入到排序机制中。

四、跨用户群体与跨商家群体联合优化阶段。 随着京东业务的发展，覆盖的用户群体从相对单一的群体拓展到了非常多元化的群体中，三到六线城市的用户占比已经超过六成，无论是京东 App 内，还是专为下沉市场定制的京东极速版、京喜，用户群的拓展、定制化新 APP 的高速增长，为千人千面的推荐算法提出了更大的挑战。这个阶段商品知识图谱、迁移学习等技术发挥了重要作用。

不同时期，京东推荐系统在提升推荐精准度、精细度和覆盖率等方面，也做了很多的努力。彭长平表示，要同时提升推荐系统几个看似矛盾的优化目标，需要从三个维度入手：召回算法多样化，从计算 User-Item Pair 级的优化转向 Session 级全局优化，护航优质商家成长的生态优化。京东从这三个角度做了以下工作：一、召回万花筒：从召回粒度上，我们在 User 和 Item 上都建立了粗细粒度不一的分层表征，从不同粒度去做二者的匹配。从召回算法上，Boolean Matching Model、Embedding-based Retrieval、Knowledge-based Retrieval 在我们的推荐结果都占有较大的比例。二、Session 全局优化：从单条推荐候选看，精准度和惊喜度是有矛盾的，而从最大化 Session 整体点击量的角度优化二者是统一的，即 CTR 模型从 Pointwise 转向了 Listwise。三、商家生态优化：新商家、新商品的质量分级和冷启动机制，有效的保障了其中优质部分在平台的曝光量和订单量。而源源不断的新商家入驻和新商品发布，是提升覆盖率和惊喜度的重要驱动力。

据彭长平介绍，京东平台上有许多子场景，每个子场景又有非常多的细分搜索和推荐，对于这些子场景推荐的联合优化，最主要用到的是迁移学习算法。每个子场景的用户行为都是不充分的，但每个场景下又有其独特的用户行为模式。京东联合使用主场景和多个子场景的数据进行模型训练，设计了一套多层的网络结构，让模型既能从主场景中迁移知识，也能从同类的子场景中迁移知识。通过迁移学习构建子场景的单个模型，能同时应用在京东 App、京喜 App、京东极速版 App、微信购物、QQ 购物等多个终端。

在各电商平台竞争日趋激烈的当下，如何吸引来更多的新用户并增加老用户的活跃度和平台粘性，是影响平台发展的关键因素，因此，推荐系统的不断迭代和升级就显得尤为重要。未来，京东推荐系统也会在导购类内容推荐、场景式推荐和生态优化机制这三个技术方向上进行优化。

从导购类内容推荐来讲，随着以直播带货为代表的电商内容化，京东平台已经积累了大批量内容生产者，他们生产的优质带货内容和商品一起成为推荐系统的候选 Item，不同类型的物料、不同的优化目标，对算法提出了更大的挑战，更丰富的内容也给用户带来了更好的”逛“和“买“购物体验。

从场景式推荐来讲，提到“逛”的体验，很多人对“宜家”门店的场景化布局深有感触。京东正在开发基于用户商品消费场景的理解，推荐场景所需要商品的全集合，并以更立体的方式呈现到用户面前，提供在线的场景化购物体验。

最后，从生态优化机制来讲，未来需要做的是，强化推荐系统内的商家优胜劣汰机制和优质新商家、新商品的成长机制。

虽然说推荐系统已经很大程度缓解了信息过载的问题，满足了用户的个性化需求，但是目前仍有部分问题阻碍着推荐系统的发展。彭长平认为，这其中最大的困难还是“数据”的问题。具体体现在两个点上：第一、如何全面获取和快速处理数据；第二、模型如何能更高效地从海量数据中学习。

那么，在解决全面获取和快速处理数据问题上，要先分别弄清楚如何解决“全面”和“快速”的问题。“全面”，需要将每一个与用户交互的触点，线上、线下的全渠道数据融合；“快速”，需要以准实时的流式数据处理机制，提高数据到模型、以及模型参数更新的时效性。随着 IoT 终端的多样化和终端计算能力的提升，端计算和云计算结合，能进一步提升推荐系统对用户反馈的及时应对。

面对海量复杂的数据，我们既要提高模型系统的绝对算力、系统处理数据绝对量和 TB 级的复杂模型服务，也要提升模型结构对海量数据的适配度，在后一个问题上，彭长平表示更看好 AutoML 技术走向成熟，比如我们目前在 NAS 网络结构搜索工作上，效果已经追平了专业算法工程师长期调优的模型结构，不久的未来，相信就能取代调模型结构的炼金术师们。

彭长平认为：

工业界的推荐系统，没有单项的核心技术。推荐系统中算法占据主导、人相对被动，不管是用户还是商家，对算法出错的容忍度都很低，系统只有收集到尽可能全和尽可能高时效的数据、采用更高效的算法、打磨好每一个细节，用户和商家才会信任推荐系统。

随着技术的进步，衣、食、住、行、娱，每一个领域都将进入供过于求的状态。可以预见，随着 5G 和 IoT 的普及，人和电子设备打交道，会越来越依赖于推荐技术，甚至不是一套平台级的推荐系统，而是每个人在每一个领域，都需要一名个性化的推荐“助理”。