背景

閑魚作為一個電商場景的app，最豐富的部分就是作為商品寶貝瀏覽承載的feeds，比如首頁下面的寶貝信息流，搜索結(jié)果頁以及詳情頁下面的猜你喜歡，這些feeds場景都少不了推薦算法在背后的支撐。

傳統(tǒng)的推薦算法是依托于云上沉淀的埋點數(shù)據(jù)來。隨著4G網(wǎng)絡(luò)資費的下降，產(chǎn)生了越來越多的數(shù)據(jù)，如果將如此大量的數(shù)據(jù)都上傳到運算，并且由云端來做中心化的存儲/計算和處理，不僅會產(chǎn)生大量無必要的網(wǎng)絡(luò)流量，而且還會給云端帶來高昂的存儲成本，實時性也無法保證。

我們觀察到隨著手機計算能力的提升，某些計算可以在端上直接計算，再統(tǒng)一上報到后端，這樣相比云計算有很多明顯的優(yōu)勢：

1、更加實時性：我們可以在端上完成原始特征的處理和實時打分，從原始特征的抽取到計算結(jié)果的上報完成，可以在1s左右完成。

2、計算資源的節(jié)約：大量數(shù)據(jù)如果都匯集到云端上計算，可能會造成計算資源的不足，我們可以將計算量分散到各個端上，可以降低計算資源開銷。

3、多維度數(shù)據(jù)采集：一些類似于細粒度的行為數(shù)據(jù)、采集頻率過高的數(shù)據(jù)或者涉及用戶隱私的數(shù)據(jù)等，可以在端上直接消費掉而不需要上傳。

馬里奧

介紹

馬里奧是閑魚首頁的一個創(chuàng)新形式的業(yè)務(wù)，其業(yè)務(wù)邏輯是：用戶在閑魚首頁feeds部分點擊來一個寶貝卡片，那么同時就會請求云端，根據(jù)后端算法拉取回來算法召回的query詞和對應(yīng)的推薦寶貝信息，以四個方塊的形式展示在一個張卡片中，這樣來給用戶點擊之后，跳到二級承接頁面來給用戶推薦更相關(guān)的寶貝，來達到提升首頁feeds部分點擊率和成交的效果。

效果圖:

初始版本流程圖:

問題

初始上線之后，我們統(tǒng)計馬里奧卡片一跳和二跳的ctr，發(fā)現(xiàn)并比不上普通的寶貝，那么問題出在了哪里呢？

分析

閑魚上每天都會誕生數(shù)以億計的商品點擊，這里有個很自然的問題：用戶對他的這次商品點擊滿意嗎？考慮兩個簡單的例子：

1）用戶點擊商品后，在詳情頁面上停留時間很短，那么我們可以認為這可能是次誤點擊。

2）用戶點擊商品后，他在這個詳情頁面上有很多的行為，比如他可能查看了產(chǎn)品參數(shù)、商品的顏色尺碼、或者又點擊了該商品的全部評價，最后還通過和賣家進行了聊天，那么我們就認為這可能是次真實意愿的點擊，或者說他對這次點擊滿意度分很高。

那么很自然的，我們推測，只有在滿意度較高的情況下，我們?nèi)プ鲫P(guān)聯(lián)推薦才是有意義和有價值的，否則如果用戶誤點擊的情況，我們也去推薦，只會適得其反，對此我們進行了解法的嘗試。

解法

在這個場景下，需要在用戶點擊進入寶貝詳情，然后離開詳情頁的時候，就需要給出用戶對該寶貝的意向，只有滿足某個閾值的情況，才應(yīng)該出現(xiàn)馬里奧卡片。這種場景下，如果使用傳統(tǒng)的云端算法，把數(shù)據(jù)都收集好，再計算出結(jié)果，再返回到端上，這時候很可能插入卡片的時機早就過去了，沒法抓到用戶這個關(guān)鍵點。因為用戶在瀏覽詳情頁的過程中，所有的點擊和曝光都是在端上實時產(chǎn)生的，很可能在最后一刻退出頁面之前，用戶都在一直產(chǎn)生有價值的動作，這時候不斷的往云端回傳數(shù)據(jù)再計算，顯然是不可行的方案。

當用戶在閑魚Feeds頁點擊推薦商品（如上面左圖的汽車玩具商品）后，進行觸發(fā)并展現(xiàn)馬里奧（如上面左圖虛線紅框所示），引導用戶進行搜索并進行更多商品點擊和下單。不同于Feeds里一般的推薦項，馬里奧的每一次觸發(fā)其實是存在觸發(fā)成本的。一個顯然的成本是馬里奧的觸發(fā)會擠占后續(xù)商品的展現(xiàn)。如果用戶每一次詳情頁點擊后都觸發(fā)馬里奧，那么就會有大量的馬里奧被展現(xiàn)，并擠占相應(yīng)的Feeds坑位。當馬里奧點擊率相比Feeds過低的時候，將影響整體Feeds的展現(xiàn)效率及用戶體驗。

解法流程圖:

因而在推薦流和搜索結(jié)果流中，觸發(fā)型展現(xiàn)一個顯而易見的成本是，當前觸發(fā)的內(nèi)容展現(xiàn)會壓縮后續(xù)推薦的內(nèi)容展現(xiàn)。從更高效的流量分發(fā)角度來看，對這類展現(xiàn)的控制是有必要性的。

不同于此前純云端的觸發(fā)展現(xiàn)，云端此前更多做內(nèi)容側(cè)的控制，基于用戶與內(nèi)容的匹配程度去決策是否展現(xiàn)以及展現(xiàn)什么。而端側(cè)用戶更加實時、更加詳細、更加細粒度的行為，更偏好與刻畫用戶交互習慣以及對當前觸發(fā)模塊的需求。

為此，我們提出了智能展現(xiàn)模型，通過用戶在端側(cè)的細粒度交互行為建模用戶對觸發(fā)模塊的實時偏好，將原始的觸發(fā)展現(xiàn)模塊解藕為兩部分:

1、CTR(端):端側(cè)做展現(xiàn)控制：基于用戶當下細粒度交互行為及交互習慣決定是否請求（展現(xiàn)）相關(guān)模塊

2、CTR(云):云側(cè)做內(nèi)容控制：決定展現(xiàn)的相關(guān)內(nèi)容

所以我們最終采用端計算和云計算結(jié)合的方案，所有依賴數(shù)據(jù)都實時在端上產(chǎn)生，而且計算處理數(shù)據(jù)的過程也在端上，借助于集團提供的端計算容器，我們可以很方便的把模型部署到端上并運行它得到我們用戶點擊之后對點擊寶貝的滿意度的數(shù)值。

結(jié)果

新的馬里奧方案，對整個鏈路和現(xiàn)有體系是最小侵入，也讓整體更加簡潔。閑魚馬里奧項目上，智能展現(xiàn)模型在保證94.4%的馬里奧點擊量和96%的二跳點擊量下，馬里奧服務(wù)端請求量減少了-28.0%，點擊率提升+31.1%，成交率增長了10%。

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的闲鱼如何利用端计算提升推荐场景的ctr的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。