推荐系统在房产领域的实践

采访嘉宾简介

许燕松，就职于贝壳找房，担任贝壳找房智能推荐平台负责人一职。硕士毕业于美国匹兹堡大学信息科学专业。先后就职于当当网，聚美优品负责个性化推荐系统的研发工作，有多年的推荐系统的实践经验。主要研究推荐系统领域的系统架构设计与策略算法的应用。在贝壳找房主导了智能推荐平台的架构升级与算法迭代工作。通过架构的升级大幅提升了推荐架构的灵活性与迭代效率。通过算法的多次迭代不断提升推荐的效果。

InfoQ：请您先介绍一下您的工作经历，以及您在贝壳找房所在的团队负责的工作。

许燕松：我一直从事推荐研发相关工作，已经有很多年了，在我最开始的时候是先在当当，当时是第一次接触推荐相关的工作内容。那会儿我主要负责当当的个性化 PUSH 还有母婴品类相关的推荐，尤其是在做母婴品类推荐的时候我还自研了一套母婴相关的单独的一个推荐策略。后来就加入到聚美优品，负责整个聚美的推荐算法和用户画像相关的工作。在聚美的这段经历让我得到了更全方面的发展，让我知道如何去 hold 住一个完整的推荐系统。

后来现在我又来到贝壳找房，在贝壳的这段经历让我知道如何把一个推荐系统做得更好，如何把一个相对封闭的推荐系统转变成一个智能推荐平台。这就是我主要的一些工作经历。

InfoQ：贝壳找房推荐平台都使用了哪些推荐算法和策略以提高性能？

许燕松：很多种策略，包括协同过滤的策略，基于用户画像的推荐策略，一些基于业务规则的推荐策略。这些策略本身都有各自的优缺点，我们并不是每一个场景只用一种，我们会混合着来用，这样不同策略之间就会形成互补，达到最优的一个效果。

InfoQ：贝壳找房的智能推荐系统架构和算法经过哪些重大变化和迭代？做出改变的原因是什么？

许燕松：可以说我们整个智能推荐平台是跟着贝壳找房一起发展壮大的，它主要经历了三个阶段：第一个是初创阶段，第二个阶段是快速发展阶段，第三个阶段是平台化的阶段。

每个阶段面临着不同的问题：比如说在初创阶段，这时候我们用户需要提升找房的效率，我们所收录的这些房源需要得到更好的曝光，并且这个阶段我们的数据是非常不完备的。所以在这个阶段我们主要是想快速实现推荐系统从 0 到 1，从无到有的这么一个快速实现。所以在那个阶段没有用太复杂的推荐策略。

在快速发展阶段，随着我们的数据积累，我们加入了各种各样的个性化策略，比如我提到的基于协同过滤的推荐策略、基于用户画像的推荐策略。有了这些策略之后，我们整个推荐相当于更上了一层楼。

此外我们在平台化的阶段，我们去做了整个智能推荐平台的大升级。通过这次升级之后，可以说我们整个智能推荐平台在这个阶段就真的成为一个平台了，我们支持了快速的业务接入，以前一个业务的接入可能需要五个工作日，现在一个工作日就可以搞定了。而且在策略方面，我们加入了实时化的推荐策略，还加入了很多更为精准的推荐策略，比如说我们有 LR 模型做了一个精准排序。这就是整个贝壳的发展历程。

InfoQ：在不同的阶段利用了不同的策略。

许燕松：对，主要是针对当时面临的背景和不同的问题，有针对性地去解决。

InfoQ：您觉得智能推荐平台在未来还可以做哪些优化？

许燕松：因为我们叫智能推荐平台，所以第一点就是让智能推荐平台更加智能。目前我们做策略的优化都是人去做 AB 试验，通过 AB 试验的结果来不断地调整我们的策略。我们希望以后不通过人去做 AB 试验，通过线上的数据实时地反馈，让机器自己去学习如何去调优，这样才能真正说我们是一个智能的推荐平台。

还有就是我们想在架构上加入更复杂模型的预测，比如说 WDL 模型。WDL 也可以在我们的算法上有很大的要求，所以我们在算法上也要做一个深耕。这就是我们未来在这块想要做的事情。

InfoQ：最后一个问题是关于产品落地，贝壳找房除了智能推荐平台之外，还有没有一些其他的策略产品落地？

许燕松：我所在的部门叫数据智能部，我们部门除了智能推荐平台还有很多其他的产品。比如说为了评估一个房源的真实价值，我们提供了一个智能估价系统，它是用来给房源进行估价的。

为了更好地提升用户体验，我们还建立了智能的客服系统，智能客服系统你去问答的时候，它可以智能地给你回答，提升了用户的问答效率。

我们还有智能图片的处理平台，主要是帮助我们解决各种各样图片相关的需求。这里面我只列举了一些比较主要的，其实还有很多其他的产品落地。