京东LBS推荐算法实践
💡
原文中文，约3900字，阅读约需10分钟。
📝
内容提要
本文介绍了京东同城购业务的推荐模式和LBS召回算法实践，支持三种推荐模式，通过模板化推荐能力快速承接推荐位30+。经过对LBS推荐链路的独立拆分和迭代优化，lbs商品曝光UV占比相对Q3提升488%，CTR相对Q3提升159.52%。后续将继续完善优化LBS流量分发能力，提升京东LBS推荐能力。
🎯
关键要点
-
京东同城购业务围绕即时零售能力搭建了到店和到家两种场景。
-
LBS是基于位置的服务，涉及京东小时购商品的推荐能力。
-
推荐模式包括附近商品推feeds、纯门店推荐、门店商品列表页推荐和主站核心推荐场景。
-
LBS商品推荐架构与B2C商品推荐架构解耦，提高了系统的拓展性和维护性。
-
推荐系统分为两个阶段，分别推荐用户感兴趣的门店和商品。
-
LBS召回算法设计为两阶段模式，考虑用户兴趣和门店质量等因素。
-
冷启动问题和跨场域兴趣迁移是LBS场景面临的主要挑战。
-
通过cross domain方法优化冷启动体验，包括潜客画像召回和跨域类目召回。
-
i2i召回和embed方法各有优缺点，需根据场景特点选择。
-
排序模型实践中，建立了用户画像和商品画像，优化了排序特征。
-
LBS推荐能力通过模板化推荐支持30+推荐位，助力全渠道业务发展。
-
LBS商品曝光UV和CTR相较于Q3分别提升488%和159.52%。
-
后续将继续优化LBS流量分发能力，提升京东LBS推荐能力。
➡️
