【51CTO.com原创稿件】2018年，人工智能作为人类开创未来最耀眼的技术之一，正在深刻影响着全球产业结构、商业模式、城市形态以及人类生活工作方式。如何让人工智能技术为行业赋能，让众多行业共享科技生产力，是数字化转型浪潮下的重要课题。作为推动人工智能务实创新的年度重要活动，11月30日-12月1日，WOT2018全球人工智能技术峰会在北京•粤财JW万豪酒店盛大召开。60+国内外人工智能一线精英大咖与千余名业界专业人士齐聚现场，分享人工智能的平台工具、算法模型、语音视觉等技术内容，探讨人工智能如何赋予行业新的活力。
12月1日上午，A会场推荐搜索分论坛召开，三位资深专家受邀出席发表精彩演讲。会后51CTO将专家发言整理成文，希望他们对于技术的理解和实践中的解决方法能够对大家有所借鉴。
张康 奇虎360人工智能研究院技术经理
深度推荐系统在360的应用
张康演讲的主要内容是分享在360各种场景下，基于深度学习推荐系统的应用。他表示，最浅显层次的推荐系统就是通过函数来建模。如果需要在抽象层次再深入一点，就是将简单的数学公式拆分成不同的算法模块，如召回、排序、策略。最后一个层次是把推荐系统服务于线上，主要由五大部分组成： ETL(数据清洗)、Server模块、Platform(机器学习训练平台)、A/B测试、报表。
他认为，现实生活中的深度推荐系统，很多论文中80%的内容会侧重对模型部分的描写，只有20%的内容留给实验，而事实上实验包含丰富内容，却很容易被人忽视。他举例说道，数据分析和清洗、特征设计和交叉、模型对比、召回策略、重排序策略都有很多内容需要去实践，而真正传统意义上的实验如测评、A/B，实验分析，其实是和之前这几项内容相互交接起来的。
深度推荐系统在360的应用主要有三个方面：APP推荐(360手机助手)、常搜词(360搜索&导航)、个性化消息推送(快视频)。APP推荐算是他们整个团队在推荐领域的第一次试水，他们最终建立一个多分类模型，引入图像搜索的方案，预测用户安装是否准确，最终交给业务部门做代理优化，反馈也比较好。“常搜词”，就是用户经常会搜的词，张康介绍到，360导航每天都有好几亿的PV，因此他们需要进行天级离线更新，基于用户的搜索日志、浏览日志进行统计特征。经过个性化+特征优化后，这部分业务收入上升5%。
个性化消息推送的出发条件和时间条件跟用户的个性化实时相关，并非每天定时定点推荐，内容与用户行为相关，需要个性化推荐，对于“拉活”的意义非常大。他们先是针对语义、视觉、行为召回做优化，后来发现这样用户体验并不好，还需要做召回数据流的优化、模型的更新、在线服务的调整等大量工作。除此之外，还要对视觉领域、语义模型、排序做优化。在架构上，既要有离线部分实现倒台服务和日志搜集、报表，也要跟业务方在线系统做实时交互，给业务有更多的活跃用户。
王建强 Stitch Fix创始人、前Twitter高级技术主管
Stitch Fix : 基于算法推荐的背水一战
王建强告诉听众，Stitch Fix是一家数据驱动的服装新零售公司，100%的销售都源于推荐和算法，其中在亚马逊的销售约35%都来自推荐，LinkedIn中50%用户都来自推荐。Stitch Fix是一个盲盒模式销售，即用户收到衣服之前不知道收到的是哪些衣服，“我们会给用户配送五件衣服，以快递形式送到用户家，用户留下自己喜欢的，免费送回其他的衣服。”王建强表示，公司试错成本比较高，还有双向物流的支出，正是基于此，算法推荐的准确性对Stitch Fix是关乎企业生存能力的重要指标。
据他介绍，Stitch Fix有四个特点来帮助那些没有时间逛商场或者不太精通穿搭的职场人士，即推荐的细颗粒度、低频、自建库存、人机耦合的模式做推荐。其中人机耦合的效果起到了1+1>2的效果，通过机器计算实现对大量库存SKU筛选和排序，从大规模数据中找到Pattern，减轻了人工的压力。
王建强在现场举了一个算法推荐模型的实际应用案例。当造型师给用户推荐衣服的时候，看到的是用户的相关数据，如这位用户30岁，是一个母亲，号码是超小号，生活在明尼苏达，美国中西部的一个州。系统会把用户的风格样式划分到七个纬度，每个纬度是一到四个打分，造型师会根据这个打分来判断用户的风格偏好。最后根据身材尺寸数据，造型师就可以比较有把握地给用户推荐衣服。“在推荐主模型里，我们现在用的模型是混合效应模型，之所以选择混合效应模型，有两个因素，一个原因是，我们团队主要是以统计背景为主。另外一个原因，混合效应模型，科技执行力会更高一些，精度也更高一些。”
蒋前程 美团高级算法技术专家
美团O2O服务搜索的深度学习实践
蒋前程表示，美团覆盖了用户吃住行游购娱各个领域，年度活跃买家达3.1亿，正因为服务种类多，所以也存在一个困扰就是如何快速地找到用户想要的内容，这就是搜索在美团平台上发挥的价值。据了解，服务搜索大概会覆盖40%的交易，每天服务的用户产品量在亿级别。
美团搜索平台与传统搜索平台相比，有很多自己的特色和挑战。蒋前程介绍到，首先用户个性化需求更高，其次需求场景化，不同场景下数据和检索层面都存在很大不同，再次是美团用户具有非标属性，产品没有标准，即使同一个菜品，不同用户喜欢也各不相同。此外还有实时化特点，上午在公司和晚上在家里对于美食的需求都不一样。
那么美团如何解决这些挑战呢?蒋前程表示，总结起来就是通过两个路径——通过智能匹配技术找到用户想要的，如何让用户更快速地找到，这两点本质其实就是召回和排序。
智能匹配技术需要注意两点，一是用户意图的匹配，二是周围度的匹配。蒋前程举了一个例子，例如在北京南站，用户对餐饮的需求比较大，但是如果是第一次来北京或者是偶尔出差，那可能对住宿的需求就更多一些。所以即使在同一个地点，但是在不同场景下美团会呈现不同的内容。“在多维度方面，除了传统的文本匹配，也加入了向量化召回的思路。”蒋前程解释道，做好用户匹配之后，即使给用户推荐一百款内容，但是用户最多看几个，不满意就会离开，因此，这就需要通过个性化排序来找到用户最想要的内容。
个性化排序主要有三个层面：召回层、模型层、业务层。其中模型层演进到如今，已经进入实时化和深度学习阶段。其中实时化需要通过特征实时化和在线学习来实现。蒋前程重点讲了美团深度学习的框架，它可以更好地支持非常大规模的数据和模型的在线支持、多种模型定义支持、流式模型训练支持。“最终，美团订单有明显提升，在各个业务线上，我们现在的主体模型都是深度学习的模型，也是流式模型，都有非常正向的效果。”蒋前程总结道。
以上内容是51CTO记者根据WOT2018全球人工智能技术峰会的《推荐搜索》分论坛演讲内容整理，更多关于WOT的内容请关注51cto.com。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
