简介：在得物APP中，为了提升用户体验和购物转化率，我们实践了一种多兴趣召回模型。这种模型能够自适应地将用户的行为聚合为兴趣表示向量，实现更精准的个性化推荐。通过离线召回和在线预估的实践，我们取得了显著的效果提升，人均收藏PV和PVCTR等指标均有所提升。本文将详细介绍该模型的设计和实现过程，以及我们在实践中的经验和教训。
在得物APP中，个性化推荐系统扮演着至关重要的角色。为了提升用户体验和购物转化率，我们不断探索和尝试新的技术和方法。其中，多兴趣召回模型是我们近期实践的一种有效方法。
一、多兴趣召回模型的设计
多兴趣召回模型是一种u2i召回方法，其核心思想是将用户的行为序列自适应地聚合为多个兴趣表示向量。这样，我们就可以更全面地覆盖用户的兴趣，提高推荐的准确性和个性化程度。
具体来说，该模型首先接受用户的行为序列作为输入，这些行为包括用户的点击、收藏、分享等操作。然后，通过Behavior-to-Interest (B2I)动态路由，将用户的行为序列聚合为多个兴趣向量。这些兴趣向量的区别主要集中在类目/品牌上，可以很好地表示用户在购物过程中的不同兴趣点。
二、离线召回的实践
在离线召回阶段，我们采用了类似I2I的召回方式。首先，我们训练了多兴趣召回模型，并使用该模型生成了用户的多个兴趣向量。然后，我们通过faiss等工具，实现了对应userId下的倒排召回。这样，我们就可以根据用户的兴趣向量，快速找到与其兴趣匹配的商品，实现精准推荐。
通过离线召回的实践，我们验证了多兴趣召回模型的有效性。与单一兴趣召回模型相比，多兴趣召回模型可以覆盖更多的用户兴趣点，提高推荐的准确性和个性化程度。同时，我们也发现多兴趣召回模型在处理用户兴趣多样性方面表现优秀，可以很好地满足用户在购物过程中的不同需求。
三、在线预估的实践
在离线召回取得成功后，我们进一步将多兴趣召回模型应用于在线预估阶段。具体来说，我们基于多兴趣召回模型生成的用户兴趣向量，结合其他特征，构建了一个点击率预估模型。然后，我们使用该模型对召回的商品进行排序和筛选，为用户提供更加精准的推荐结果。
通过在线预估的实践，我们发现多兴趣召回模型在提升推荐效果方面表现出色。与单一兴趣召回模型相比，多兴趣召回模型可以显著提高人均收藏PV、PVCTR和uvctr等指标。这充分证明了多兴趣召回模型在提升个性化推荐效果方面的优势。
四、实践经验与教训
在多兴趣召回模型的实践过程中，我们也积累了一些经验和教训。首先，合理设置兴趣向量的数量和维度非常重要。过多的兴趣向量可能导致计算复杂度增加，而过少的兴趣向量则可能无法全面覆盖用户的兴趣点。其次，动态路由的设计也至关重要。合理的动态路由策略可以更好地将用户行为聚合为兴趣向量，提高推荐的准确性。最后，我们需要不断优化模型结构和参数设置，以适应不断变化的用户行为和数据分布。
总之，得物技术多兴趣召回模型的实践为我们提供了一种有效的个性化推荐方法。通过离线召回和在线预估的实践，我们验证了该模型的有效性和优势。在未来的工作中，我们将继续优化该模型的设计和实现方式，以进一步提升个性化推荐效果和用户满意度。