圖2 卡片選擇公式

于此同時不再簡單地利用業(yè)務方提供的商品-卡片關系，而是從業(yè)務方提供的商品-卡片對集合中進行篩選，一個商品每種卡片類型下可能會映射有該類型多個卡片，通過卡片質量分來篩選，同時離線計算好用戶卡片形態(tài)的偏好分。 上述二者每天同步到iGraph 中，在線調度的時候，在商品推薦結果上，依據圖2公式對能觸發(fā)卡片的商品進行卡片掛載選擇。 同時，進行卡片的展示間隔控制，卡片與卡片之間至少有一定數量的商品，這樣避免卡片堆積，從而進一步提高效果。 這種方法，相比迭代前，曝光收益提高了3.23%，但相比不出卡片的基準桶，依舊是下降的。 我們還對圖2公式進行一系列的變種實驗，但收效甚微。

機器學習模型

給用戶推薦的商品中，某些商品有 N 種卡片可以掛載，那么掛載哪個卡片用戶點擊的概率最高呢？ 這就是我們的模型需要學習，這個可以轉化為一個 CTR 預估問題。 按預估出來的 CTR 值排序，取 top1，但最終展示還有一定規(guī)則需要遵守，下文會闡述。

■ 樣本和特征

從為你推薦的數據里抽取可以掛載卡片的商品的曝光點擊數據作為訓練樣本。

特征分成三個部分，用戶特征、觸發(fā)品特征、卡片特征，商品形態(tài)作為一種特殊的卡片形態(tài)。 我們選用了85個特征作為模型輸入，包括各種實數特征（62個）、Categorical 特征（19個）和交叉特征（4個）： 實數特征主要是用戶、觸發(fā)品、卡片維度的一些統(tǒng)計特征。 例如，某個商品（觸發(fā)品）在為你推薦平臺上的 CTR、不同形態(tài)下的 CTR 的統(tǒng)計值。

而對部份 Categorical 特征，我們采用對其進行embedding 處理再輸入模型。

■ 召 回

基于為你推薦最終的商品推薦結果，去我們篩選好的商品-卡片集合召回候選集合，即 item2item2card。 商品與卡片之間的映射關系，目前只是簡單地采用了上述的卡片質量分，而沒有考慮商品與卡片之間的關系，卡片整體承接效果好，不代表在某個觸發(fā)品的情況下，承接效果也好。 故此考慮增加 item2theme 的方式，theme 表示 item-card。 我們直接利用多天卡片曝光點擊數據，觸發(fā)品(item)-卡片(card)對直接作為一個 item 實體看待，采用 SWING 算法進行構建。 線上 AB，增加這一路召回，相比沒有這路召回的，曝光收益增加0.79%。

■ 排序 模 型

我們選擇了 WDL（Wide & Deep Model）模型，迭代過程中我們也嘗試了DCN（Deep & Cross Network）。 線上 AB，二者曝光收益差距很小，DCN 相比WDL 也就+0.03%，最終我們選擇 DCN 模型進行全量。 模型訓練目前采用 XTensorflow 每天定時訓練并推送到 RTP。