阿里巴巴B2B电商算法实战

（1）阿里巴巴CBU技术部（1688.com）是阿里巴巴集团B2B电商、新零售、新制造的重要技术生力军。（2）阿里巴巴CBU技术部15年来通过技术为千万中小企业赋能，在B2B领域的交易、支付、营销、采购、分销等环节沉淀了大量的技术经验和成果。（3）结合阿里巴巴B2B电商业务场景，深度解析算法对用户、商品、商家的精准刻画，围绕搜索、推荐、营销、直播、端智能等场景建模，还原商业视角的技术思考和落地。

本书是阿里巴巴CBU技术部深耕B2B电商15年的经验总结。阿里巴巴B2B在战略形态上经历了信息平台、交易平台和营销平台的升级迭代，本书聚焦营销平台商业形态背后的算法和技术能力，试图从技术和商业互为驱动的视角阐述技术如何赋能业务，并结合阿里巴巴集团在基础设施和算法创新上的沉淀，打造出智能B2B商业操作系统。
具体内容方面，结合阿里巴巴B2B电商业务场景，深度解析算法对用户、商品、商家的精准刻画，围绕搜索、推荐、营销、直播、端智能等场景建模，还原商业视角的技术思考和落地方法。
章从技术角度介绍了阿里提出的“人、货、厂、商”四位一体的电商核心要素，揭秘了阿里是如何同时做到在消费端和供给端提高效率的。
第2章重点讲解了算法落地依赖的工程系统，包括搜索引擎、推荐引擎和实时数据工程。
第3章聚焦搜索算法，核心是基于Query理解的导航和搜索排序算法。
第4章重点剖析推荐算法，从召回和排序两个环节展开。
第5章介绍任何商业平台都离不开的营销算法，以及红包和优惠券等营销工具的使用。
第6章讲解了当下在各电商平台盛行的新兴电商内容呈现形式背后的算法，包括直播推荐算法、短视频推荐算法、榜单算法、首图个性推荐算法、端智能等。
第7章以知识图谱开篇，重点讲解了阿里巴巴B2B在电商结构化信息挖掘和场景应用等方面的经验。
第8章从流量效率优选化的角度阐述了全域中控技术框架和核心算法。

阿里集团新零售技术事业群，阿里巴巴CBU技术部（1688.com），优选率先超过1亿用户的B类电商平台，自2003年诞生之初，就承载了“让天下没有难做的生意”的重要使命。在阿里巴巴“五新战略”下，作为阿里集团新制造和新零售的重要技术生力军，CBU技术团队15年来一直以技术之力赋能干万中小企业，沉淀了一系列极具B类特色的交易、支付、营销、采购、分销技术产品，促进B类全链路商业效率优化。
在商业优选化的大形势下，CBU技术部以大数据为原力、以算法为引擎，在企业采购与服务、企业分销通路建设、柔性供应链建设、数字营销、心智导购等领域不断进行横向联动、纵深探索，结合云计算、IoT智能技术、图形算法、深度网络、在线学习、运筹优化等很好技术，助推中小企业向数字经济转型。

作者介绍

前言

章 电商四位一体

1.1 人——买家

1.1.1 开源引流

1.1.2 客群画像

1.2 货——货源

1.2.1 价格力

1.2.2 趋势力

1.3 场——内容

1.3.1 智能文案

1.3.2 文案标签化

1.3.3 模型工程优化

1.3.4 展望规划

1.4 商——企划

1.4.1 品类规划定义

1.4.2 波士顿矩阵

1.4.3 CBU品类规划

1.4.4 技术架构

1.4.5 展望规划

第2章 系统工程

2.1 搜索工程

2.1.1 统一入口SP服务

2.1.2 策略平台OpenSE

2.1.3 意图分析QP

2.1.4 在线引擎HA3

2.1.5 离线系统Dump

2.2 推荐工程

2.2.1 召回引擎BE

2.2.2 算分服务RTP

2.3 实时数据工程

2.3.1 概述

2.3.2 数据采集

2.3.3 数据分层

2.3.4 数据服务

2.3.5 数据应用

第3章 搜索算法

3.1 Query查询词理解

3.1.1 Query类目预测

3.1.2 Query改写

3.1.3 Query推荐

3.2 搜索排序

3.2.1 召回

3.2.2 粗排

3.2.3 精排

3.2.4 搜索底部推荐

第4章 推荐算法

4.1 召回

4.1.1 协同过滤

4.1.2 Embedding I2I

4.1.3 DeepMatch

4.2 排序

4.2.1 Wide&Deep模型

4.2.2 DIN

4.2.3 DIEN

4.2.4 DMR

4.2.5 ESMM

第5章 营销算法

5.1 红包

5.1.1 用户敏感度建模

5.1.2 离线红包分配

5.1.3 在线红包分配

5.2 营销优惠券

第6章 多模态内容场景与端智能

6.1 直播推荐算法

6.1.1 多目标学习

6.1.2 用户异构行为

6.1.3 直播排序模型

6.2 短视频推荐算法

6.2.1 短视频推荐概述

6.2.2 基于异构网络图的推荐方案

6.3 榜单算法

6.3.1 榜单生成

6.3.2 榜单召回推荐

6.3.3 榜单内商品排序

6.3.4 榜单个性化文案

6.4 多形态内容混排

6.5 App端智能

6.6 首图个性化

6.6.1 全局最优视角联合打散

6.6.2 跨域召回（从淘宝到1688）

第7章 认知推理

7.1 电商知识图谱

7.1.1 知识工程与专家系统

7.1.2 语义网络与知识图谱

7.1.3 知识图谱构建

7.1.4 知识表示

7.2 知识图谱主题会场

7.3 知识蒸馏

7.3.1 知识蒸馏的起源

7.3.2 多种传递形式的知识蒸馏

7.3.3 知识蒸馏应用于自然语言生成

7.3.4 BERT模型蒸馏

7.4 组货推荐

7.4.1 同款匹配

7.4.2 组货搭配

7.4.3 服饰搭配

第8章 全域中控

8.1 流量中控

8.2 在线动态广告分配

8.3 目标动态规划