商品详情页中部和底部推荐位推荐系统-京东

1、立项背景和目标
为解决商品详情页跳出率高的问题，我们小组主要负责推荐系统算法的升级，核心目标直指CTR与CVR的双提升。中部模型聚焦“私域截流”，强化同店关联商品的精准命中；底部模型负责“全域承接”，在用户离开前实现跨品类兴趣的深度挖掘与流量最大化。

2、核心功能模块
系统涵盖多路召回、粗排、精排三层架构。召回层采用多源策略，包含商品协同过滤、用户行为序列、店铺热门及品类相似等独立通路，从千万级候选池中高效召回多样化候选商品。精排引入Transformer，利用自注意力机制深度捕捉用户行为序列中的长期依赖与瞬时意图。且精排采用MMOE多目标架构，通过共享专家网络与CTR、CVR独立塔式网络，平衡多目标预测冲突。中部模型强化同店特征权重，底部模型拓展跨品类兴趣信号，并通过A/B实验框架持续迭代。

3、业务流程描述
用户浏览触发推荐请求后，先由多路召回并行拉取候选集，汇总去重后进入粗排层。粗排用Transformer编码用户行为序列快速截断至数百个候选商品。精排阶段，MMOE模型对候选商品并行预估CTR与CVR，经加权融合生成最终排序。中部场景强约束同店商品，底部场景进行跨品类重排序。最终列表实时返回前端，所有曝光与点击事件回流至模型训练管道，驱动模型在线持续学习。

精排层作为漏斗最终环节，直接决定推荐结果质量。我主要参与精排MMOE模型的优化，核心挑战有二：

难点一：CTR与CVR的目标冲突。 高点击商品往往客单价低、转化差，联合训练易陷入“跷跷板”效应。解决方案：在MMOE架构中引入梯度隔离，为CTR和CVR设置独立门控网络，减少共享层负迁移；同时采用自适应任务权重，根据训练阶段动态调整学习率。

难点二：敏感品类下推荐位的“空窗”问题。 成人用品、管制刀具等敏感商品本身可正常销售，但平台禁止在推荐位直接展示同类敏感商品。中部推荐位定位“同品类私域流量”，当主商品属于敏感品类时，模型无法推荐同类商品，导致推荐位出现空缺或召回率骤降。解决方案：在不展示具体敏感品的前提下，引导用户至品类聚合页或白名单内的周边关联商品，如情趣内衣品类的清洗液、收纳盒等合规周边，既填补曝光空白，又承接住私域流量。