在第一阶段的工作中，我们基于传统监督学习建模的方式，在一定程度上提升了单一场景的引导成交和客单价。但总体上来讲，模型上仍然不够优雅智能，用户在成交链路上的行为序列特性并没有在模型上体现。

　　事实上，在电商的个性化推荐中，存在一条典型的交易链路，它能基本刻画一个用户完成一次购买行为所经历的路径环节。比如用户在首页闲逛时可能会对某个商品发生兴趣，然后点击进去查看商品的详情，或加购、或收藏；当用户下定决心购买后，会到达付款完成页，之后又可能会查看订单详情、物流信息等，直到最后确认收货。

这些页面都有相应的推荐场景，在购买前通过推荐辅助促进用户的决策过程；用户完成某个宝贝购买后，全力捕捉用户的购物热情，继续通过合理的推荐让用户继续购买更多的宝贝。整个交易链路的核心就是最大力度的引导用户成交，实现全链路成交的累积最大化。

　　所以我们就继续考虑能否采用类MDP的方式，进行更为合理智能的全链路优化建模，即在用户每一个当前的链路状态，atv，推荐引擎可以依据一定的策略，输出相应的推荐行为，然后根据用户的反馈交互，对策略进行迭代更新，从而最终逐步学习到最优的推荐策略。换句话讲，也就是强化学习的建模优化思想。

　　然而与搜索等场景不同的是，商品的个性化推荐对用户来讲是一个“Soft Need”，很多时候购物的目的性并不是非常的明确。一个宝贝的成交，可能会跨多天，决策周期较长。并且在购买决策的过程中，用户会经常性的在多个异构的推荐页面场景中进行跳转，情况也较搜索更为复杂。

　　6.DNN在搜索场景中的应用

　　作者：仁重

　　搜索排序的特征分大量的使用了LR，GBDT，SVM等模型及其变种。我们主要在特征工程，建模的场景，目标采样等方面做了很细致的工作。但这些模型的瓶颈也非常的明显，尽管现在阿里集团内部的PS版本LR可以支持到50亿特征规模，400亿的样本，但这对于我们来说，看起来依然是不太够的，现在上亿的item数据，如果直接使用id特征的话，和任意特征进行组合后，都会超出LR模型的极限规模，对于GBDT，SVM等模型的能力则更弱，而我们一直在思考怎么可以突破这种模型的限制，找到更好的特征；另外，及时LR模型能支持到上亿规模的特征，在实时预测阶段也是有极大的工程挑战，性能与内存会有非常大的瓶颈。

　　所以我们第一考虑到的是降维，在降维的基础上，进一步考虑特征的组合。所以DNN很自然进入了我们的考虑范围。再考虑的是如果把用户行为序列建模起来，我们希望是用户打开手淘后，先在有好货点了一个商品，再在猜你希望点了一个商品，最后进入搜索后会受到之前的行为的影响，当然有很多类似的方法可以间接实现这样的想法。但直接建模的话，LR这类的模型，很难有能力来支持这类特征，所以很容易就想到了RNN模型。

　　关于此书更多详情，请关注阿里技术公众号，立即在线阅读！

新智元招聘

　　职位 运营总监

　　职位年薪：36- 50万（工资+奖金）

　　工作地点：北京-海淀区

　　所属部门：运营部

　　汇报对象：COO

　　下属人数：2人

　　年龄要求：25 岁 至 35 岁

　　性别要求：不限

　　工作年限：3 年以上

　　语 言：英语6级（海外留学背景优先）

　　职位描述

负责大型会展赞助商及参展商拓展、挖掘潜在客户等工作，人工智能及机器人产业方向

擅长开拓市场，并与潜在客户建立良好的人际关系

深度了解人工智能及机器人产业及相关市场状况，随时掌握市场动态

主动协调部门之间项目合作，组织好跨部门间的合作，具备良好的影响力

带领团队完成营业额目标，并监控管理项目状况

负责公司平台运营方面的战略计划、合作计划的制定与实施

　　岗位要求

大学本科以上学历，硕士优先，要求有较高英语沟通能力

3年以上商务拓展经验，有团队管理经验，熟悉商务部门整体管理工作

对传统全案公关、传统整合传播整体方案、策略性整体方案有深邃见解

具有敏锐的市场洞察力和精确的客户分析能力、较强的团队统筹管理能力