InfoQ：請您先介紹一下您的工作經歷，以及您在貝殼找房所在的團隊負責的工作。
許燕鬆：我一直從事推薦研發相關工作，已經有很多年了，在我最開始的時候是先在噹噹，當時是第一次接觸推薦相關的工作內容。那會兒我主要負責噹噹的個性化PUSH還有母嬰品類相關的推薦，尤其是在做母嬰品類推薦的時候我還自研了一套母嬰相關的單獨的一個推薦策略。後來就加入到聚美優品，負責整個聚美的推薦算法和用戶畫像相關的工作。在聚美的這段經歷讓我得到了更全方面的發展，讓我知道如何去hold住一個完整的推薦系統。
後來現在我又來到貝殼找房，在貝殼的這段經歷讓我知道如何把一個推薦系統做得更好，如何把一個相對封閉的推薦系統轉變成一個智能推薦平臺。這就是我主要的一些工作經歷。
InfoQ：貝殼找房推薦平臺都使用了哪些推薦算法和策略以提高性能？
許燕鬆：很多種策略，包括協同過濾的策略，基於用戶畫像的推薦策略，一些基於業務規則的推薦策略。這些策略本身都有各自的優缺點，我們並不是每一個場景只用一種，我們會混合着來用，這樣不同策略之間就會形成互補，達到最優的一個效果。
InfoQ：貝殼找房的智能推薦系統架構和算法經過哪些重大變化和迭代？做出改變的原因是什麼？
許燕鬆：可以說我們整個智能推薦平臺是跟着貝殼找房一起發展壯大的，它主要經歷了三個階段：第一個是初創階段，第二個階段是快速發展階段，第三個階段是平臺化的階段。
每個階段面臨着不同的問題：比如說在初創階段，這時候我們用戶需要提升找房的效率，我們所收錄的這些房源需要得到更好的曝光，並且這個階段我們的數據是非常不完備的。所以在這個階段我們主要是想快速實現推薦系統從0到1，從無到有的這麼一個快速實現。所以在那個階段沒有用太複雜的推薦策略。
在快速發展階段，隨着我們的數據積累，我們加入了各種各樣的個性化策略，比如我提到的基於協同過濾的推薦策略、基於用戶畫像的推薦策略。有了這些策略之後，我們整個推薦相當於更上了一層樓。
此外我們在平臺化的階段，我們去做了整個智能推薦平臺的大升級。通過這次升級之後，可以說我們整個智能推薦平臺在這個階段就真的成爲一個平臺了，我們支持了快速的業務接入，以前一個業務的接入可能需要五個工作日，現在一個工作日就可以搞定了。而且在策略方面，我們加入了實時化的推薦策略，還加入了很多更爲精準的推薦策略，比如說我們有LR模型做了一個精準排序。這就是整個貝殼的發展歷程。
InfoQ：在不同的階段利用了不同的策略。
許燕鬆：對，主要是針對當時面臨的背景和不同的問題，有針對性地去解決。
InfoQ：您覺得智能推薦平臺在未來還可以做哪些優化？
許燕鬆：因爲我們叫智能推薦平臺，所以第一點就是讓智能推薦平臺更加智能。目前我們做策略的優化都是人去做AB試驗，通過AB試驗的結果來不斷地調整我們的策略。我們希望以後不通過人去做AB試驗，通過線上的數據實時地反饋，讓機器自己去學習如何去調優，這樣才能真正說我們是一個智能的推薦平臺。
還有就是我們想在架構上加入更復雜模型的預測，比如說WDL模型。WDL也可以在我們的算法上有很大的要求，所以我們在算法上也要做一個深耕。這就是我們未來在這塊想要做的事情。
InfoQ：最後一個問題是關於產品落地，貝殼找房除了智能推薦平臺之外，還有沒有一些其他的策略產品落地？
許燕鬆：我所在的部門叫數據智能部，我們部門除了智能推薦平臺還有很多其他的產品。比如說爲了評估一個房源的真實價值，我們提供了一個智能估價系統，它是用來給房源進行估價的。
爲了更好地提升用戶體驗，我們還建立了智能的客服系統，智能客服系統你去問答的時候，它可以智能地給你回答，提升了用戶的問答效率。
我們還有智能圖片的處理平臺，主要是幫助我們解決各種各樣圖片相關的需求。這裏面我只列舉了一些比較主要的，其實還有很多其他的產品落地。