做电商推荐系统的朋友应该能理解这个痛点：当你的商品池达到几十亿级别的时候，想同时保证推荐的效率和多样性，几乎是不可能完成的任务。
为什么难？因为这两个目标本质上是冲突的。效率要求你快速从海量商品中找到最相关的那些——这通常意味着使用轻量级模型，但轻量级模型在"多样性"上的表现往往不够好。多样性要求你看得更广、更全——这需要更重、更复杂的模型，但计算成本会急剧上升。
新提出的"级联生成方法"试图解决这个矛盾，思路说起来并不复杂：别指望一个模型搞定所有事情，把问题拆成多个阶段，每个阶段用不同的模型去解决。
具体来说，框架分为三个阶段：粗筛、精排、生成。粗筛阶段用轻量级模型从几十亿商品中快速挑出几千个候选，精排阶段用更复杂的模型对这几千个候选做精细化排序，生成阶段再用生成式模型给最终的推荐结果配上个性化的推荐理由和文案。
这种设计的好处是显而易见的：每个阶段的模型只需要专注做好自己的事情，不需要在效率和多样性之间做痛苦的取舍。而且各个阶段的模型可以独立优化和升级，灵活性很高。
据说这个方法已经在多家主流电商平台的A/B测试中取得了不错的效果，推荐点击率和转化率都有显著提升。不过具体提升了多少，没有披露详细数据，我估计在5-15%这个区间——对于电商这种流量规模来说，这个提升的商业价值是非常可观的。
对于普通消费者来说，这个技术意味着未来你在电商App上看到的推荐会越来越"懂你"——不只是知道你想要什么，还能给你意想不到的好东西。推荐系统正在从"猜你喜欢"进化到"帮你发现"。
🏷️ 声明：本文为 AI 翻译转载，原文版权归原作者所有。
暂无评论