2.3.1　獲取推薦結果

以淘寶為例，獲取推薦結果的整個流程如圖2-5所示。用戶通過手機移動端或PC端網頁訪問淘寶網站時，獲取推薦結果的整個流程是根據用戶的不同請求，分別在推薦、搜索、廣告場景下給用戶曝光“最合適”的商品或服務。而商品或服務曝光給用戶是經過“召回、排序、重排”邏輯后才會被用戶看見的。

圖2-5　獲取推薦結果的流程

1．場景介紹

場景一：推薦。當用戶將頁面滑動到“為你推薦”欄位，系統會返回基于用戶畫像、行為數據等預測出的符合用戶偏好的商品并推薦給用戶。

場景二：搜索。當用戶在搜索框輸入要查詢的商品時，系統會根據用戶的畫像、行為數據及輸入的搜索關鍵詞進行意圖識別，返回與用戶強相關的商品并展示。

場景三：廣告。當用戶訪問平臺時，系統會根據用戶的歷史行為數據，將用戶點擊概率或者下單轉化概率最高的商品或服務所對應的廣告投放給用戶。這與推薦和搜索的邏輯相反，推薦和搜索的邏輯是先基于用戶的主動訪問行為來給相應的商品曝光，而廣告是已經判斷出哪個廣告最適合用戶，用戶是被動看見相關內容的。

2．“召回、排序、重排”邏輯

不管是搜索還是推薦，給用戶曝光的是符合其偏好特征的商品。符合用戶偏好的商品數量級非常龐大。為了提升用戶的查找效率，平臺會通過排序算法將商品按照“質量分+用戶預測偏好”指標進行再次打分排序，將每個截斷分片內的內容按偏好進行排序。搜索排序會更復雜，要分別計算出相關性等級、業務分層、質量分等邏輯的綜合排序結果，這屬于策略里面的另外一套龐大體系，本書不做詳細介紹。

重排邏輯重點解決的是業務個性化訴求和用戶體驗問題，會涉及過濾、穿插、打散等多種策略。

（1）過濾

過濾一般會包括已讀過濾、多次曝光未點擊過濾、已購過濾、已加購物車內商品過濾等策略，每個過濾策略邏輯的定位不同，策略也要做好差異化處理。過濾的目標是增加商品（物料）的曝光機會，希望帶來更多的轉化。有過濾邏輯就要有重新召回邏輯，過濾策略會在第9章通過案例進行介紹。

（2）穿插

通常有多種表現形式，常用的方式如下。

① 在固定位置穿插不同的內容。比如5∶1的穿插，每間隔5個商品穿插一個另外類型的物料，而穿插的物料可以是廣告，也可以是希望用戶看見的商品，比如視頻或新品等。

② 按照召回池穿插。不同的推薦策略會有不同的召回池，不同的召回池滿足用戶不同的偏好訴求。當較難預估多個召回池帶來的數據效果提升時，會將多個召回池的內容進行穿插處理。比如1∶1的穿插或5∶1的穿插，穿插比例會根據業務的不同訴求進行調整。1∶1的穿插方式是從召回池1和召回池2分別召回1個商品進行排序，排列順序是：召回池1商品1>召回池2商品1>召回池1商品2>召回池2商品2>……

（3）打散

打散是為了提升用戶體驗，當某個用戶的偏好是鞋靴，而此類商品召回的綜合排序得分又很高，就會在推薦欄位首屏、二屏等位置出現大量此類商品的曝光，此時用戶體驗較差。為了提升用戶體驗，系統將這種連續出現一個類目或者品牌的商品進行打散，讓更多類目或品牌的商品曝光給用戶。在視覺效果上，相當于在大量鞋靴商品里穿插出現衣服、襪子等更多類目的商品。打散策略會給用戶推薦非用戶偏好的商品，采取此策略可能會使轉化率下降，在不帶來較大的業務數據指標下降的情況下，一般都會應用打散策略。