开箱即用：高度产品化、行业化；行业与阿里自研主流算法封装；覆盖全链路(支持友盟SDK行为采集)；
推荐精准：行业、场景定向优化；多目标模型训练；多种模型策略；全托管：保障在线服务稳定性；灵活升降配服务；丰富的数据质量诊断功能，在线服务监控告警；
灵活适配：运营助手；产品和运营可快速干预推荐开发和算法；集成强大的离线、在线链路开发能力；

实时的互动式推荐功能

实时交互是促进消费者沉浸式浏览的必备基础功能。推荐PLUS可实时学习消费者当前兴趣表达、变化，并更新在下一次生成的推荐结果中，从而实现实时的互动式推荐功能。

新商品冷启动

新商品冷启动是每个电商平台棘手的推荐难题。推荐Plus可根据站内用户行为分析、兴趣分析，结合新品特征属性，小流量个性化探测新品潜力，从而逐渐扶持/打压新品的推荐流量。

发布的新品→结合用户画像分发推荐→新品潜力分析

场景作为个性化推荐的流量入口，在不同的页面/不同的用户群可进行差异化的定制。如，首页的推荐、频道页推荐、个人中心页、搜索空结果页、商品详情页、购物车页等等。推荐PLUS支持定制差异化的场景选品规则。

物品圈选、人群圈选、流量策略

标签沉淀、人群分析、人群圈选

基于归档算法定制

定制算法策略的同时，无需关注上游的数据埋点、清洗逻辑、以及下游的在线链路拼接逻辑，仅需在控制台手动创建实验，即可对一组、多组配置进行修改，进行效果的追踪与实验的决策。

召回和排序

召回

I2I(拼接与截断、叶子类目优先级)

U2X2I(截断数量，特征选举-类目、作者、频道、标签等)Hot(截断数量)

New(截断数量，特征选举-类目、作者、频道、标签等)

Embedding(截断数量，item2vec、tag2vec、title2vec)

新增自定义召回链路

Etrec (12i、集团内部业务应用的i2I算法)

GraphSage(u2I，行业内唯一能输出GNN算法的平台，GNN是目前技术领域比较领先的框架

ALS实现user和item向量产出

排序

DeepFM(业内目前知名度最高的深度学习排序算法，基于论文自行实现版本)

MultiTower(基于Youtube论文，PAI自行实现的一版)

BST(阿里自研，用户历史行为序列建模)

ESMM、MMoE(实现多目标优化的排序模型)

DIN(阿里自研，目前在业内比较出名的一款产自阿里的深度学习排序算法)

基础排序模型如LR、GBDT等

基于原子组件定制

通离线平台结合预采用的行业内算法模型，通过拖拽的简易方式，进行上下游数据连通，节点参数配置，串通一套完整的召回/排予侯全，并生成召回表/生排序模型。

启用/创建实验

实验模板创建

基准/缺省实验

实验置信校验

定制算法配置1-n

定制召回

定制排序

定制实时行为

实验调试与分桶

桶号指定

实验生命周期管理

体验测试

实验效果分析

单实验效果报表

多实验效果报表

多元指标选择

实验决策

下线

推全

实验记录与溯源

为趣短视频个性化推荐方案

为趣是微信小程序中的长视频应用，在小程序总榜名列Top10，
·CTR提升接近3%
·人均使用时长提升11%
·在长尾视频挖掘方面得到显著提升，多曝光了2-3倍的视频
以上目标的提升带动了用户上传视频的积极性，总体提升了23%的视频上传量

阿里云智能推荐应用实践：PAI-EasyRec Framework

基于阿里云的推荐技术架构

推荐服务(在线)
训练(离线)
数据加工存储(离线)

智能推荐流程及挑战

目标：针对不同用户画像，实现推荐的千人千面。

模块：日志收集，特征生成，内容召回，计算排序，曝光过滤，运营规则，效果评估

用户→日志收集→特征生成→用户画像/物品画像/用户行为→召回→排序→曝光过滤→效果评估→AB，分桶→用户

用户画像：男，三四线城市，娱乐，体育，林书豪

物品画像：娱乐，高以翔，跑步，健康

用户行为：点击，曝光，分享

·海量数据：召回样本数据量达到千万级别，排序样本量会上亿，单机训练非常困难

·海量特征：训练和推理的性能优化， RT，QPS，机器成本

·多目标优化：点击率，转化率，观看时长，多样性，模型复杂；

·冷启动：曝光测试，好友→地域→全网

·实时训练：实时特征(Flink，Kafka)+实时模型(EasyRec)

个性化推荐模型

推荐模型演化

	浅层模型	深度模型
召回	协同过滤→FM	EasyRec YoutubeNet DSSM MIND	>> 高阶特征交叉 >> 行为序列建模 >> 多目标共享 >> 迁移学习
排序	LR→GBDT、FM、MLR	WideAndDeep DEEPFM DIN
多目标	多个LR/GBDT模型	MMoE ESSM DBMTL