打開APP購物，系統會做哪些工作（下）

4.機制

4.1 視覺體驗優化

★ 4.1.1 基于知識圖譜的標準類目擴展

受種種因素制約，商品類目體系過于細致，不符合推薦場景中用戶對商品的主觀分類。知識圖譜團隊可以建立標準類目體系，從語義層面出發，結合場景的特點，將相近的葉子類目進行不同程度的聚合，分別應用在購買類目過濾和類目打散時的類目擴展。

★ 4.1.2 基于圖像指紋的相似圖片檢測系統

商品素材浩如煙海，相似的展示圖片層出不窮。這種相似經常超越圖片所屬商品本身的屬性，通過商品本身的標題、類目等語義信息已無法識別這種相似，為此我們團隊研發了相似圖片檢測系統，從圖形本身出發來檢測商品素材圖片之間的相似度。

同圖檢測系統以 CNN 作為分類器，識別商品素材圖片所屬的葉子類目，將最后隱藏層向量作為圖像特征向量，并通過向量的相似度來計算商品之間的相似度。

★ 4.1.3 多維度打散

大促會場入口和日常頻道構成，大促會場入口包括主會場入口和行業會場入口，每一個頻道的商品素材都是獨立的，存在一定的重復，如果不加限制，各個頻道之間容易出現相似的推薦結果，這在“寸土寸金”的首頁，無疑是一種浪費，也會傷害用戶體驗，不利于導購心智的培養。為此，從多個維度（商品 / 標準類目 / 品牌 / 會場 / 相似圖片等）對首頁各個頻道推薦的素材進行聯合打散，讓推薦的結果更具多樣性。

4.2 模板式實時曝光過濾

在手機首屏，用戶每次打開 APP 都會獲得曝光，其中就包含了很多無效的曝光，如用戶直接進入搜索頻道、進入購物車或者大促期間來搶紅包雨搶券等，這些無效曝光中用戶對該場景是無心智的。常見的將對用戶偽曝光的商品記錄下來并利用其來進行實時曝光過濾的方法對首頁這種無效曝光率很高的場景來說“太嚴格”了，會使得推薦的效果大打折扣。為此，商城會設計一種模板式實時曝光過濾的方法。一次推薦給用戶多個模板，并記錄用戶上次看到的第 i 個模板，然后在本次給用戶展現第 i+1 個模板。如果用戶產生新的行為，模板的推薦內容也會隨之進行更新。

5.3 用戶及類目個性化的購買過濾

“買了還推”是過去推薦系統經常被詬病的吐槽點，要解決該問題就需要對用戶購買的類目進行合理的過濾。然而由于每個葉子類目的購買周期不同，不同用戶對類目的購買周期也不同，因此設計購買過濾時還需要關注不同用戶對不同類目購買過濾的個性化需求。購買過濾作為所有推薦場景都會面對的基礎問題，我們與工程團隊合作推出了統一的全域購買過濾服務，為每一個類目定制一個購買屏蔽周期，根據用戶最近一段時間內購買的行為為每個用戶維護一個實時的購買過濾類目，同時考慮到如果該用戶在購買屏蔽周期內又主動在該類目上發生了多次點擊行為，說明用戶對該類目仍感興趣，有購買的可能，則該類目會被 “ 解禁 ”。首頁接入購買過濾服務之后，“ 買了還推 ” 的問題也得到了大大的改善。