导购类电商平台搜索推荐融合：基于用户行为的个性化导购系统
大家好，我是省赚客APP研发者阿宝！
在省赚客这类导购型电商平台上，用户既会主动搜索商品，也会被动接受推荐内容。如何将"搜索"与"推荐"两大核心路径深度融合，构建统一的个性化导购系统，是提升转化率的关键。我们通过整合用户实时行为、历史偏好与上下文信息，设计了一套基于多路召回 + 排序模型的融合架构，并在Java技术栈中落地实现。
整体架构设计
系统分为三层：行为采集层 → 召回融合层 → 排序展示层。
- 行为采集层：通过埋点收集用户点击、加购、下单、搜索关键词等事件；
- 召回融合层：结合搜索Query意图与推荐兴趣画像，生成候选商品池；
- 排序展示层：使用深度学习模型对候选集打分，输出Top-N结果。
所有行为数据通过Kafka实时流入Flink进行特征计算，并写入Redis与HBase供在线服务调用。
用户行为特征建模
我们定义了三类核心特征：
- 短期兴趣序列：最近20次交互商品ID及行为类型（click/cart/pay）；
- 长期画像标签：如"母婴偏好""高客单价""3C数码爱好者"；
- 搜索上下文：当前Query、地域、设备类型等。
Java中特征提取示例如下：
java
package juwatech.cn.recsys.feature;
import juwatech.cn.recsys.model.UserBehavior;
import java.util.List;
public class UserFeatureExtractor {
public UserFeature buildFeature(String userId, String query) {
List<UserBehavior> recentBehaviors = behaviorService.getRecentBehaviors(userId, 20);
List<String> interestTags = userProfileService.getInterestTags(userId);
String location = userLocationService.getLocation(userId);
return UserFeature.builder()
.userId(userId)
.query(query)
.location(location)
.interestTags(interestTags)
.behaviorSequence(recentBehaviors)
.build();
}
}多路召回策略
为兼顾相关性与多样性，我们采用四路召回：
- Query语义召回：基于Elasticsearch的BM25 + 向量检索；
- 协同过滤召回：UserCF与ItemCF混合；
- 热门趋势召回：按类目实时热度排序；
- 个性化兴趣召回：DSSM双塔模型生成的向量近邻。
各路召回结果合并去重后进入排序阶段。关键代码如下：
java
package juwatech.cn.recsys.recall;
import java.util.Set;
import java.util.stream.Collectors;
public class MultiRecallService {
public Set<String> recall(String userId, String query, int topK) {
Set<String> esResults = esRecallService.recallByQuery(query, topK);
Set<String> cfResults = collaborativeFilteringService.recall(userId, topK);
Set<String> hotResults = hotItemService.getHotItems(topK);
Set<String> dssmResults = dssmRecallService.recall(userId, topK);
return Stream.of(esResults, cfResults, hotResults, dssmResults)
.flatMap(Set::stream)
.limit(topK * 2) // 控制候选集规模
.collect(Collectors.toSet());
}
}融合排序模型
排序阶段采用Wide & Deep结构，其中：
- Wide部分：处理Query与商品标题的关键词匹配、类目一致性等规则特征；
- Deep部分：输入用户行为序列、画像标签、商品多模态特征（文本+图像Embedding）。
模型通过TensorFlow训练，导出SavedModel后由Java服务加载推理：
java
package juwatech.cn.recsys.rank;
import org.tensorflow.SavedModelBundle;
import org.tensorflow.Session;
import org.tensorflow.Tensor;
public class RankingModelService {
private final Session session;
public RankingModelService(String modelPath) {
SavedModelBundle bundle = SavedModelBundle.load(modelPath, "serve");
this.session = bundle.session();
}
public float predictScore(RankingFeatures features) {
try (Tensor<?> input = features.toTensor();
Tensor<?> output = session.runner()
.feed("input", input)
.fetch("output/score")
.run().get(0)) {
return ((float[]) output.copyTo(new float[1]))[0];
}
}
}为提升性能，我们对候选集批量打分：
java
public List<RankedItem> rankItems(String userId, String query, Set<String> candidates) {
UserFeature userFeature = featureExtractor.buildFeature(userId, query);
List<RankingFeatures> batchFeatures = candidates.stream()
.map(itemId -> buildRankingFeatures(userFeature, itemId))
.collect(Collectors.toList());
float[] scores = rankingModel.batchPredict(batchFeatures);
return IntStream.range(0, candidates.size())
.mapToObj(i -> new RankedItem(
(String) candidates.toArray()[i],
scores[i]
))
.sorted((a, b) -> Float.compare(b.getScore(), a.getScore()))
.limit(20)
.collect(Collectors.toList());
}冷启动与实时反馈
针对新用户或新商品，系统启用以下策略：
- 新用户：默认走热门+地域化召回；
- 新商品：通过内容特征（类目、价格、图文Embedding）匹配相似老品进行曝光。
同时，用户每次点击后触发在线学习反馈：
java
@KafkaListener(topics = "user_click_event")
public void onUserClick(ClickEvent event) {
// 更新用户短期兴趣序列
behaviorCache.updateSequence(event.getUserId(), event.getItemId(), "click");
// 触发在线模型微调（可选）
if (onlineLearningEnabled) {
onlineLearner.trainOnEvent(event);
}
}线上效果
上线后AB测试数据显示：
- 搜索页人均点击率提升23%；
- 推荐位GMV贡献增长31%；
- 长尾商品曝光占比提高18%，有效缓解马太效应。
本文著作权归聚娃科技省赚客app开发者团队，转载请注明出处！