手機淘寶推薦中的排序學習
周梁：淘寶推薦機器學習技術專家，中國科學院自動化研究所機器學習博士，主要研究工作方向是機器學習、大規模并行算法優化。先后從事過廣告CTR預估，MPI機器學習平臺搭建，手淘個性化推薦等多方面工作。
排序學習是推薦、搜索、廣告的核心問題。在手機淘寶的推薦場景中，受制于展示空間的限制，排序學習顯得尤為重要。在淘寶，如何從十億的商品中，挑選出用戶 今天喜歡的商品，也是個巨大的挑戰。 本次我們分享排序學習在手機淘寶中的應用，其中包括：解決了哪些問題，遇到了哪些挑戰，以及做了哪些改進。
手淘推薦介紹
圖1手淘推薦業務全覆蓋
用戶提升體驗，千人千面；商家提供流量，提升轉換；平臺引導行為，流量分配。
圖2手淘推薦系統
Match：基于內容，行為的推薦。場景，社交，人群，個人的長期興趣，短期行為。
圖3排序學習的原因
排序學習分類：PointWise：
PairWise：
ListWise：直接優化整個集合序列，不再做Transform,優化目標NDCG.
業務實例
圖4店鋪內推薦業務
業務：只可以推薦同店鋪商品，可以是相似搭配。目標：CTR.方法：PointWise。
圖5模型
樣本構造：
模型目標：預測<user,item> ctr，并按照ctr排序。
手機埋點的困難：曝光，點擊收集，Native 版本，H5 版本。
正負樣本處理：
1. 點擊/曝光PV
2. (點擊 + 折算成交)/曝光PV
3. (點擊 + 折算的成交)/(有效點擊以上PV截斷)
4. (點擊 + 折算的成交)/(泊松采樣的虛擬PV)
特征設計
ID類特征，User、Item 、Context基本特征，移動特定場景相關特征：設備ID VS 用戶ID；城市區域特征；手機型號特征，PC & Mobile 特征融合。
每個特征權重反映該特征在數據中的統計意義，方便進行特征組合和模型debug，比較方便引入在線學習。
特征工程
圖6年齡匹配