淘宝京东平台算法逻辑
层级：L1 基础认知层
目标：理解淘宝/京东的搜索与推荐算法原理，为优化策略提供底层逻辑支撑
一、算法基础认知
1.1 什么是平台算法
平台算法是一套自动化的流量分配规则，基于海量用户行为数据，将商品与用户进行匹配，目标是：
- 让用户最快找到想要的商品（用户体验）
- 让优质商家获得更多曝光（生态健康）
- 让平台GMV最大化（商业目标）
1.2 算法的核心输入
算法输入数据：
商品侧：
├── 文本信息：标题、属性、详情页
├── 图像信息：主图、详情图、视频
├── 交易信息：价格、销量、评价
├── 服务信息：物流、售后、DSR
└── 行为信息：点击率、转化率、收藏加购
用户侧：
├── 基础属性：性别、年龄、地域
├── 兴趣标签：浏览历史、购买历史
├── 实时行为：当前搜索词、浏览商品
└── 消费能力：客单价偏好、价格敏感度
上下文：
├── 时间：早/中/晚、工作日/周末
├── 场景：搜索/推荐/活动
├── 设备：手机/平板/PC
└── 地理位置：城市级别、区域偏好
1.3 算法的核心输出
算法输出：个性化商品排序
对于每个用户请求：
├── 从海量商品池筛选候选商品（召回）
├── 对候选商品打分排序（精排）
├── 应用业务规则调整（重排）
└── 返回给用户
二、淘宝搜索算法解析
2.1 淘宝搜索排序公式
综合排序得分 = 相关性 × 商品质量分 × 商家权重 × 个性化匹配分
相关性：文本匹配度
├── 关键词与标题匹配度
├── 关键词与属性匹配度
└── 类目相关性
商品质量分：商品竞争力
├── 点击率（CTR）
├── 转化率（CVR）
├── UV价值（客单价×转化率）
├── 销量权重
└── 好评率/评价数
商家权重：店铺综合实力
├── 店铺层级
├── DSR评分
├── 动销率
├── 上新率
└── 违规记录
个性化匹配：用户偏好
├── 用户画像匹配度
├── 历史行为相似度
└── 实时意图匹配
2.2 搜索召回机制
召回阶段（从千万商品筛选千级候选）：
第一层：类目过滤
├── 用户搜索"连衣裙"
├── 只召回"女装-连衣裙"类目商品
└── 排除其他类目
第二层：关键词匹配
├── 标题包含"连衣裙"或其同义词
├── 属性匹配（风格、材质等）
└── 形成候选池（通常1000-5000个）
第三层：基础过滤
├── 排除严重违规商品
├── 排除缺货商品
├── 排除低质量商品
└── 形成精排候选池（约1000个）
2.3 搜索精排机制
精排阶段（对候选商品打分排序）：
每个商品计算综合得分：
Score = w1×相关性 + w2×点击率 + w3×转化率 + w4×销量 + w5×商家权重 + w6×个性化
权重分配（大致比例，实际动态调整）：
├── 相关性：20-30%
├── 点击率：20-25%
├── 转化率：20-25%
├── 销量权重：15-20%
├── 商家权重：10-15%
└── 个性化：5-10%
关键认知：
点击率和转化率是最重要的可优化因子
2.4 千人千面个性化
个性化匹配逻辑：
用户画像构建：
├── 标签体系：
│ ├── 基础属性：女/25-29岁/一线城市
│ ├── 消费层级：中高消费
│ ├── 类目偏好：女装>美妆>家居
│ └── 价格偏好：100-300元
└── 实时意图：
├── 当前搜索：真丝连衣裙
├── 最近浏览：法式复古风格
└── 购买历史：偏好桑蚕丝材质
个性化排序调整：
├── 匹配用户风格的商品加权
├── 匹配用户价格带的商品加权
├── 用户历史交互过的店铺加权
└── 新用户冷启动：基于相似用户推荐
三、淘宝推荐算法解析
3.1 推荐场景类型
| 场景 | 位置 | 算法目标 | 优化重点 |
|---|---|---|---|
| 首页推荐 | 手淘首页"猜你喜欢" | 激发兴趣，提升停留 | 点击率、多样性 |
| 购中推荐 | 详情页"看了又看" | 对比选择，促进决策 | 相似度、竞争力 |
| 购后推荐 | 购物车/订单页 | 连带销售，提升客单 | 互补性、价格带 |
| 类目推荐 | 类目列表页 | 帮助发现，扩大选择 | 覆盖面、热度 |
3.2 推荐算法核心逻辑
推荐算法双塔模型：
商品塔：
├── 从商品文本提取特征（标题、属性）
├── 从商品图像提取特征（风格、颜色）
├── 从交易数据提取特征（销量、评价）
└── 生成商品Embedding向量
用户塔：
├── 从用户行为提取特征（浏览、收藏、购买）
├── 从用户属性提取特征（性别、年龄、地域）
├── 从实时行为提取特征（当前浏览、搜索）
└── 生成用户Embedding向量
匹配计算：
├── 计算用户向量与商品向量的相似度
├── 相似度高的商品优先推荐
└── 同时考虑多样性、新颖性
3.3 推荐冷启动策略
新品冷启动：
├── 基于类目相似度推荐（同类目已热销商品）
├── 基于店铺相似度推荐（同店铺其他商品）
├── 小流量试探（小范围曝光测试点击率）
└── 点击率达标后扩大推荐
新店冷启动：
├── 基于商品属性匹配（属性与热门商品相似）
├── 新店铺流量扶持（固定流量配额）
├── DSR达标后获得更多推荐
四、京东搜索算法解析
4.1 京东搜索排序公式
京东搜索得分 = 文本相关性 × 销量权重 × 评价权重 × 店铺星级 × 服务指标 × 个性化
文本相关性：
├── 切词匹配：关键词分词后的匹配度
├── 标题权重：标题前15字权重最高
├── 属性权重：属性填写完整度
└── 类目匹配：类目精准度
销量权重：
├── 近期销量权重 > 历史销量
├── 销售额权重 > 销量件数
└── 自营/入仓有加权
评价权重：
├── 好评率 > 95%获得加权
├── 评价数量 > 100获得基础权重
├── 带图评价、追评有额外加权
店铺星级：
├── 5星店铺获得最高权重
├── 星级由风向标各项指标计算
└── 4星以下店铺权重明显下降
个性化：
├── 基于PLUS会员画像
├── 基于浏览历史
└── 基于京准通人群包
4.2 京东搜索特点
与淘宝搜索的核心差异：
切词逻辑更强：
├── 京东搜索更依赖分词匹配
├── 标题优化权重更高
├── 同义词扩展更丰富
自营权重倾斜：
├── 自营商品有基础权重加成
├── 入仓商品有物流权重加成
├── 品牌自营店有品牌加权
服务指标权重高：
├── 物流时效影响权重
├── 售后服务影响权重
├── 客服响应影响权重
五、京东推荐算法解析
5.1 京东推荐场景
| 场景 | 位置 | 特点 |
|---|---|---|
| 首页为你推荐 | APP首页 | 基于用户画像的全品类推荐 |
| 商品详情页 | 看了又看/为你推荐 | 基于商品相似度的推荐 |
| 购物车页面 | 购物车推荐 | 基于购物车的互补推荐 |
| 订单完成页 | 猜你喜欢 | 基于购买行为的关联推荐 |
| 分类列表页 | 分类推荐 | 基于类目偏好的推荐 |
5.2 京东推荐算法逻辑
京东推荐核心算法：
协同过滤：
├── 用户协同：相似用户喜欢的商品
├── 商品协同：看了A也看了B
└── 订单协同：一起购买的商品
内容推荐：
├── 基于商品属性相似
├── 基于文本语义相似
└── 基于图像视觉相似
知识图谱：
├── 品牌-品类-属性关系
├── 场景-商品关联
└── 互补商品关联
实时个性化：
├── 基于当前会话行为
├── 实时调整推荐结果
└── 考虑上下文（时间、位置）
六、算法优化实战策略
6.1 搜索排名优化策略
基于算法因子的优化路径：
提升相关性：
├── 标题覆盖核心搜索词
├── 属性填写完整准确
├── 选择精准类目
└── 详情页自然融入关键词
提升点击率：
├── 主图差异化设计
├── 卖点清晰呈现
├── 价格竞争力
└── 销量/评价展示
提升转化率：
├── 详情页说服力
├── 评价管理
├── 价格策略
└── 客服响应
提升销量权重：
├── 直通车/快车积累坑产
├── 活动冲量
├── 关联销售
└── 促销策略
提升店铺权重：
├── 维护DSR/风向标
├── 提升动销率
├── 持续上新
└── 避免违规
6.2 推荐流量获取策略
获取推荐流量的关键：
商品标签精准：
├── 类目选择精准
├── 属性填写完整
├── 价格带匹配目标人群
└── 风格标签明确
首图点击率高：
├── 推荐流量完全依赖首图吸引点击
├── 点击率5%+是获得推荐流量的门槛
├── 定期测试主图，保持竞争力
人群资产积累：
├── 通过付费推广积累点击人群
├── 通过内容运营积累互动人群
├── 通过活动积累购买人群
└── 人群池越大，推荐越精准
商品热度维护：
├── 保持稳定的销量增长
├── 持续获得新评价
├── 避免长时间无销量
└── 新品期重点突破
6.3 算法惩罚与规避
常见算法降权行为：
搜索降权：
├── 虚假交易（刷单）
├── 标题滥用关键词
├── 类目错放
├── 价格作弊（低价引流不发货）
├── 重复铺货
└── 违规处罚
推荐降权：
├── 点击率持续低于均值
├── 转化率持续下降
├── 差评率上升
├── 退货率过高
└── 用户投诉增加
降权恢复：
├── 停止违规行为
├── 优化商品质量
├── 提升服务体验
├── 持续正常经营
└── 等待算法重新评估（通常1-4周）
下一篇：L2-01 流量运营深度专题