搜索和推荐，是电商平台里用户和商品信息交互的两种主要方式，也是电商平台内的两大自然流量入口。前者为用户主动触发，系统提供智能召回和排序；后者为用户在特定场景下，被动接收千人千面的个性化推荐的商品。
天猫作为国内顶级的B2C电商平台，产品打磨时间之久、用户量级之大有目共睹。本文第一部分依个人愚见，从场景解读天猫的智能搜索和个性化推荐，第二部分简要介绍搜索和推荐的中后台支撑。
PS：产品体验基于iOS版天猫客户端 V7.12.10
一、场景解读
（一）智能搜索
找商品是用户的基本诉求，搜索栏便是满足搜索诉求的载体：在搜索栏内输入关键字点击搜索、搜索列表页找到合适商品，点击进入详情页购买，这是一个简单直接的转化路径。
有几个业务问题需要考虑：
如何理解及预测用户找什么？
如何根据搜索关键词匹配正确商品？
庞大的搜索结果列表如何排序展示？
天猫的智能搜索解决方案如下：
1. 搜索详情页
（1）搜索栏内关键词智能预测
比如搜索关键词“彼得兔”，结果列表页未发生点击，每次返回首页时，搜索栏内均提供了预测关键词，依次是：彼得兔公仔、动物毛绒玩具、毛绒玩具小、兔子毛绒玩具、毛绒玩具、生日礼物女生等关键词。天猫在通过不断的修正关键词，预测、挖掘用户意图。
（2）最近搜索
可记录最近几条搜索关键词，点击可直接再次发起搜索行为，提高输入效率。
（3）猜你想找
搜索栏下还提供了猜你想找，提供了5条推荐关键词，其中有搜索关键字相关的个性化推荐，也有不相关的挖潜关键词，是搜索和推荐结合的产物。
（4）图片搜索
AR buy+、拍照识别，基于图像识别技术，识别图片场景中的主体，并搜索库中的商品。图片搜索非常适合于不能用语言准确描述主体，又能快速搜索到相关商品的场景。
（5）语音搜索
基于语音识别技术，将输入语音转化成文本，搜索相关商品。方便快捷的特性，使语音搜索已经成为搜索引擎的标配。
2. 搜索结果列表页
传统的搜索引擎是根据输入关键词，返回固定检索结果，而天猫会根据用户行为和画像，并结合卖家的流量投放诉求，实时调整搜索结果，以保证搜索结果的召回率、准确率，及个性化的排序。
召回率(Recall Rate)=检索到的相关商品 / 所有相关的商品总数，也叫查全率。召回率不足会导致明明有此商品却没有搜出来。
准确率(Precision Rate)=检索到的相关商品 / 所有检索到的商品总数。
排序会根据用户的历史行为、品牌偏好、价格偏好、商品销量、商品评论等，将最优结果排在前面，达到个性化的排序，以提高用户和商品的匹配效率。
（二）智能推荐
同搜索一样，推荐也是天猫重要的自然流量入口。推荐解决了用户在逛、找、比、等、凑、买等全链路购物场景下，用户与商品高效的个性化匹配。
天猫的智能化推荐解决方案如下：
1. 首页
首页是天猫的第一流量入口，承载着用户流量分发、用户兴趣探索等作用。
（1）轮播图
位于首页最显眼的位置，9张banner图自动切换，位置的优越性足以体现其带来的流量转化价值。
首页轮播图栏位一般是强人工运营的活动栏位，轮播图内容是针对所有用户的白名单。但是由于天猫用户的广泛性，消费能力各异、兴趣各异，因此活动的定向投放可以防止流量资源浪费，提高运营效率。
定向投放的规则基于用户历史行为、兴趣偏好、消费能力、促销敏感度等用户行为和用户画像，如男性用户看到的秋冬服装活动推广是“男士羽绒服”；浏览过某款橄榄油的用户看到“天猫食品频道买一送一”活动。海报上的橄榄油图片设计可能出自设计师，也可能出自AI设计平台“鹿班”。
总之，强人工运营规则加部分个性化介入的banner，使用户体验和流量价值最大化。
（2）限时抢购
提供性价比很高的商品，抢购活动倒计时暗示用户不要错过。提供的商品列表里有基于用户长期和近期兴趣的商品，也提供了热门爆款商品，主打性价比，“消费降级”模式。
（3）天猫好物
同样是基于用户历史行为，个性化推荐的商品列表。与其他栏位不同的是，此栏位的商品海报很大很精致，每页仅展示一个商品——图片同价格。
推荐业界公认的法则：推荐场景>UI>算法。鹿班千万级的白底图库提供的白底和素雅海报搭配显得很精致，让人联想起无印良品和网易的“严选”模式。
（4）聚划算
提供高性价比商品，但已经是阿里旗下另一大平台，有单独app。此处为聚划算引流，不再展开解读。
（5）发现品牌
是天猫第五层栏位。不同于其他栏位的商品纬度，发现品牌是以品牌纬度为切入点，完成品牌新品、资讯的推荐分发。
（6）限量潮流尖货品牌&个性化关注品牌
发现品牌顶层和底层分别是3个每日更新的限量潮流尖货品牌和4个随下拉刷新的个性化关注品牌，均是基于用户历史行为计算出的品牌偏好。
点开分别展示单品页和品牌详情页，前者的单品页以品牌某款新品为主，提供该单品的大幅海报及品牌其他新品推荐；后者品牌详情页提供了品牌简介、新品上市、限时特价、品牌资讯等内容，还提供了相似品牌推荐，如根据苏泊尔品牌推荐九阳、美的等品牌。
（7）天猫小黑盒
中层左侧是天猫小黑盒。天猫小黑盒定位于提供全球新品营销一站式解决方案。天猫官方会从世界各地搜索最近30天新鲜上市的全球新品提供给用户。天猫小黑盒结合热卖、热搜、好评等多重标准，提供基于个人兴趣的新品榜单，品类划分很细。
结合下方的“新品精选”、“最新上架”、“人气新品”，可最大程度解决基于商品的协同过滤算法遇到的商品冷启动问题，为新上市商品提供流量曝光和打造爆品的机会。
（8）品牌头条
中层右侧是品牌头条，实为粉丝福利社，首页主搜下同样有入口，提供品牌权益相关。
为什么品牌这个维度也会如此重要？
原因可能有很多。对用户来讲，用户喜欢高质量的商品，而品牌是高质量的保证，因此在点击、购买商品时会越来越重视品牌的选择，有强烈的品牌认同感；另外，用户还可能是某品牌代言人的忠实粉丝而对该品牌有特殊偏好。
（9）推荐榜单
推荐榜单提供了5个人气榜单和5个趋势榜单，均是细分品类，跟用户的兴趣强相关。榜单每日更新，根据销量、搜索量、好评等通过热榜算法计算得出，排序是非个性化的。推荐榜单给用户推荐关注细分类目下的热门商品，进一步丰富购物场景，促进用户点击并达成交易。
此外，还可在一定程度解决用户冷启动的问题。榜单是基于用户兴趣的，而不是统一的榜单，是因为：天猫品类繁多，不像图书类电商或音乐应用可以提供标准化的热销榜或Top10；天猫的用户体量已经足够大，现阶段可淡化用户冷启动问题，直接提供基于用户行为的细分类目榜单也未尝不可。
（10）猜你喜欢
作为最经典的推荐场景，猜你喜欢栏位位于首页末尾，第三屏即可划到，以瀑布流的方式展示近200条个性化推荐的商品。之前的版本，200条推荐结果是分类目展示，比如服装、电器、食品等，而且类目tab顺序还会个性化调整。最近版本去掉类目tab，直接切换为瀑布流的方式。个人感觉不如之前的好。
对用户，猜你喜欢的推荐场景可最大限度的满足用户无限刷屏、闲逛的场景。对平台，可以提供用户个性化体验，探索用户购物兴趣，刺激用户消费，促进交叉销售。
一般地，猜你喜欢栏位应用基于物品的协同过滤算法，输入用户搜索、浏览、加购等行为的商品，也可能会加上用户的年龄、消费能力、价格敏感度等标签元素，输出的直接是推荐结果，很难提供推荐理由。但前两条推荐结果有推荐理由。进入商品详情页不难发现，推荐理由其实是来自于商品评论中最高频的两个关键词。
此外，每条推荐结果都提供了“看相似”功能，可以针对当前推荐结果进行下钻，查看相似商品、相似品牌、相似榜单、相似搭配，进一步挖掘用户意图，引导用户达成交易。
推荐结果的点击行为可作为正反馈，曝光未点击、长按删除行为可作为负反馈，以此为依据持续对推荐模型进行调优，使推荐结果更加精准。
首页下拉刷新后会切换排序方式，可能是基于两种不同的排序算法，如点击率预估CTR/转化率预估CVR。
2. 商品详情页
（1）商品详情页
是用户完成加购、提交订单行为的重要页面。用户看完商品的图文详情，如果不感兴趣就会跳出该页面。因此，图文详情的最下方，适时地提供了“看了又看”和“精选好货”推荐栏位。
（2）看了又看
栏位的输入是当前浏览的商品ID，通过关联挖掘规则输出相关商品，仅展示当前品牌、当前店铺的商品，该场景的业务价值在于引导用户路径转化，防止用户流失，并提供其他相关商品，引导用户进入详情页完成交易。
（3）精选好货
栏位的输入是用户历史搜索、浏览、加购等行为的商品ID列表，通过关联挖掘规则提供的推荐商品列表。该栏位适用于闲逛过程中中断当前商品的购物链路，转向其他感兴趣的商品的场景。但探索用户的兴趣路径略深，个人感觉，如果改为推荐其他品牌或其他店铺的相关商品会更闭环、更合理一些。
对于天猫超市的商品详情页，推荐场景则有所不同。
商品详情页的首页下方直接展示推荐栏位，分别是猜你喜欢、看了又看、买了又买。考虑到天猫超市大部分都是快消品，精选SKU，用户的选择成本已经变得很低，比货、选货环节变弱，交易效率更高，因此推荐栏位从图文详情后面的较深位置直接提前到了首个tab第二屏位置。
看了又看
栏位根据浏览当前商品的人协同过滤计算出还看了哪些商品，品类与当前商品一致，提供的是相似商品列表，扩大用户的挑选范围。
买了又买
栏位运用购物篮关联挖掘，根据购买当前商品的人计算出还买了哪些商品，提供的是互补商品列表，深度挖掘用户购物意图，以达到交叉销售的目的。典型场景如某款婴幼儿奶粉，看了又看推荐的是其他品牌的奶粉，而买了又买推荐的是母婴人群关注的日常易耗品洗衣液。
看了又看和买了又买提供的是8条推荐结果，交互为左右滑动加载全部。个人感觉如果将每屏最后的结果只显示一半，暗示用户可左右滑动，交互会更合理。当然，是不是天猫的产品经理有意而为之就不好猜测了。
猜你喜欢
栏位更像是两种推荐策略的结合，即相似商品、互补商品的推荐结果合集。
3. 购物车页
购物车同样是非常重要的功能页，承载着收藏、提交订单等功能。购物车页内每个加购的商品左滑有“点击发现”，与删除功能并列，设计也是别有心意，起到一定引导作用。点击发现，则根据当前加购商品ID，推荐的相似商品、相似榜单、相似品牌，类似于上述推荐结果列表的“看相似”功能，下钻推荐，进一步帮助用户找到目标商品并达成交易。
加购的天猫超市商品有“去凑单”功能，根据天猫超市内加购的商品ID，获取关联推荐的商品列表，以价格纬度展示，完成用户的“满88元包邮”的个性化凑单场景。
加购的失效商品，推荐相似的商品列表，推荐策略类似于商品详情页的猜你喜欢。
最下方是猜你喜欢栏位，根据加购的所有商品列表，推荐相关商品，可以帮助用户完成货比三家的场景。
4. 支付完成页
商品支付完成，意味着完整的购物链路已经完成。支付完成后，下方依然有推荐商品栏位，没有名字，暂且叫猜你还想买栏位，推荐场景是根据用户购买及浏览足迹，继续推荐相关商品，引导用户点击并完成下一个购物链路，良性循环。
（三）总结
总体来说，天猫的推荐场景覆盖了首页、商品详情页、购物车页、支付成功页等主要购物链路的每个环节。
围绕电商领域几个核心KPI：CTR点击率、CVR转化率、GMV商品交易总额，天猫推荐系统通过复杂、适时的推荐算法和推荐策略，架起了海量用户和海量商品的桥梁，为用户千人千面的推荐个性化商品，其核心目标无外乎是：引导用户点击、引导用户转化、增加用户粘性。相信随着推荐场景及算法的不断迭代，推荐系统会为天猫提供更高的销售转化。
二、中后台支撑
早在2015年，阿里就提出了“大中台、小前台”的发展战略。其中中台将集合整个集团的数字运营能力、产品技术能力，对业务前台形成强力支撑。本文的下篇就简要介绍几个搜索和推荐相关的中后台。
（一）HA3搜索召回引擎
检索系统的流程如下：用户→匹配&推荐→预估模型→排序展示。匹配（match）和排序（rank）是两个重要环节，召回结果的质量主要决定了搜索结果的质量。
HA3是阿里巴巴搜索团队开发的搜索召回引擎平台，经过多年迭代，已经形成一套高效的在线数据存储和管理框架，离线产出索引，在线响应用query。
（二）在线机器学习系统
面对10亿级的商品，全库检索是不可能的，将10亿商品转化为30层的二叉树，机器学习层每层扫描，寻找最优，从而将10亿次衡量转换为30次从上到下的衡量。后面的预估模型对给定的商品做兴趣度的预估，点击率预估、转化率预估，通过预估后面有一些排序展示。
阿里搜索技术体系目前有offline、nearline、online三层体系，既能保证日常流量下稳定有效的搜索，也能满足双11场景下的短时高并发。通过批量日志下的offline离线建模，到nearline下针对增量数据的实时建模在线预测，然后到在线机器学习和决策。
传统的LTR（learning to rank）是根据历史的数据构造样本，回归出排序权重。这种方法解释了过去的现象，但未必是全局最优的。经常给用户反复展示历史行为的检索结果，缺少有效的探索能力。而通过在线强化学习（Reinforcement Learning，RL），可对商品排序进行实时调控优化。
强化学习的过程很像是条件反射。如果把搜索引擎看成智能体（Agent），用户看成环境（Environment）。Agent每一次排序策略的选择可以看成一次试错（Trial-and-Error），把用户的反馈，点击成交等作为从环境获得的奖赏。在这种反复不断地试错过程中，Agent将逐步学习到最大化累计奖赏，从而得到最优的排序策略。
（三）品牌个性化排序系统
前面文章提到过品牌的重要性，除了在首页的“发现品牌”栏位，搜索结果排序中，品牌因素也至关重要，将不同品牌的商品混杂在一起无疑增加了选择成本。
跟品牌强相关的特征即价格，因此将商品价格划分为7个区间，并结合8个电商指标：CTR点击率、CVR转化率、GMV商品成交总额、ATIP客单价、搜索次数、点击次数、加购次数、交易次数，形成56维向量。
用户行为类型特征也跟品牌强相关，购买的权重会大于浏览和加购的权重。然后基于此训练一个分类器。针对给定的用户id，使用分类器预测喜欢不同品牌的概率，基于概率对品牌排序。最终的搜索结果排序中，融入品牌的特征，满足了有品牌偏好用户的需求。
（四）电商知识图谱
阿里拥有全国最大的电商领域关系图谱，约几十亿实体、千亿边和几十种关系类型。其中包括：
用户社交圈：新浪微博关注、支付、淘宝天猫关注、通讯录、家人、好友等；
用户生活圈：家庭住址、工作地点、小区、城市、学校、商圈等；
用户标签：偏好类目、偏好品牌、偏好店铺等；
知识图谱将数据和知识高度结构化，可应用在搜索次归一、搜索推理联想、智能问答、智能审核商品发布等领域。
（五）ABFS统一特征服务平台
ABFS（AliBasic Feature Sever），统一特征服务平台，主要负责用户实时数据的处理及特征统计，如用户的基础行为特征（浏览、加购、收藏、购买）、统计特征（点击次数、转化率）。用户的实时数据在ABFS上，传递到TPP平台供BE调用。
（六）TPP推荐平台
TPP（ThePersonalization Platform）平台，也称阿里推荐平台，承接了阿里集团300+重要的个性化推荐场景，包括首页猜你喜欢、购物链路等。TPP平台集成了RTP、iGragh、BE等常用服务，方便数据的流动调用，降低开发成本，帮助业务和算法快速上线迭代。
（七）BE向量化召回引擎
BE（BasicEngine），向量化召回引擎，是DII中的推荐召回引擎，负责从多种类型的索引表中召回商品，并对候选商品集合进行过滤和粗排序。线上召回效率极高，可以在几毫秒内对全库商品进行召回。
（八）RTP实时打分预测引擎
RTP（RealTime Prediction），实时打分预测引擎，收到TPP推荐系统的前端请求后，RTP平台实时产出特征，运行CTR、CVR等各种预估模型，并对请求列表中的每个商品计算分值，得出精排序结果列表。
（九）iGragh图查询引擎
超大规模分布式在线图存储和检索。数据流程中的用户特征、用户偏好类目、热门商品召回等信息，不需要频繁更新，存到iGragh上方便存储和调用。
（十一）Porsche在线学习平台
Porsche是基于Blink的分布式流式计算框架，提供了日志处理、特征计算和实时建模的插件接口。算法人员通过在Porsche平台上离线调试模型，调到最优结果再发布到线上。如：用户商品复购率模型、用户商品喜好归因分析模型等。
（十二）鹿班智能设计平台
鹿班（AI Graphics） 智能设计平台，包括智能生成、创作助手、智能排版、设计拓展等功能模块，可帮助企业快速、批量、自动化的进行图片设计。
一键生成：将商品相关素材、文字输入，选择自己需要的海报尺寸、风格等，可自动生成符合要求的海报作品。
智能排版：将拍摄好的照片和需要的文字输入，选择尺寸，可自动生成带有随机风格的海报作品或产品展示。
设计拓展：将设计完成稿输入，选择需要拓展的尺寸，可自动生成相应拓展尺寸的结果。
智能创作：拥有自己独特风格的设计师将自己创作好的系列作品输入，可以训练机器，并成为系统新的效果风格。
2017年双11，鲁班总共设计了4亿张海报，平均每秒设计8000张，每天完成4000万张海报制作。截至目前，鲁班已经累计设计了10亿次海报，极大节省了海报设计成本。
