淘宝首页推荐算法（读后感）
业务技术简介
首页个性化在算法技术上主要涉及Graph Embedding召回模型、DeepCross&ResNet
实时网络排序模型，并在搜索工程Porsche&Blink、Rank Service、Basic Engine
等系统的基础上结合业务应用的需求沉淀了Graph Embedding召回框架及XTensorflow
排序模型平台供推荐其他场景使用，提升效果均达到两位数以上。
（总结，设计某某技术，沉淀某某技术，效果提升明显）
首页个性化推荐框架（包括MATCH召回和RANK排序两部分）
万物皆向量–Graph Embeddling深度召回框架
在推荐系统的发展历程中，面临了两个核心问题，用户的长尾覆盖度以及新商
品的冷启动，这两个维度的数据扩展性瓶颈。使用Graph Embedding算法将复杂网
投影到低维空间的机器学习算法。基于XTF的深度排序模型
2017双十一我们承接了手淘首页流量分发最大的几个首页场景，这几个场景的
特点是流量大、业务规则限制多、同时业务变动频繁，我们需要一个稳定、能支持
快速迭代和实时计算的机器学习平台来支撑我们训练模型以及在线打分。为此，我
门参与了工程团队的共建工作基于Porsche blink的分布式Tensorflow训练及在线
打分平台，首页算法同学基于该平台开发出了若干Rank模型，在相应的业务场景拿
到了不错的效果，我们称该平台为XTensorflow，简称XTF。
在这个深度学习平台上，我们在双十一上线了包括DCN、DeepResNet的深度高阶
特征学习模型，以及更加推广及成熟应用了WDL深度模型，相对于WDL模型，更为复
杂深度模型的尝试也取得了明显的效果。
读后感
阿里分享的这篇文章干货满满，虽然写的很枯燥、难懂，但是确实有不少东西值得一看。主要围绕着淘宝首页的推荐算法来写，两种算法,基于向量的，基于深度排序的。
文中提到了很多技术点，然后针对单个的知识进行了关键的描述，我等看不懂只能
是我们的水平太低了。书读百遍其义自见，我相信这篇文章值得多多阅读。
