电商推荐系统升级：从CTR预测到决策智能体的实践

1. 项目背景与行业趋势

去年在参与某电商平台推荐系统升级时，我们团队遇到了一个典型困境：传统CTR（点击通过率）预测模型在A/B测试中表现优异，但实际业务指标提升却不到预期值的三分之一。这个现象促使我开始系统性思考推荐系统从预测模型到决策智能体的转型必要性。

当前行业正经历着从"精准预测"到"价值创造"的范式迁移。传统推荐系统如同经验丰富的导购员，能准确猜中用户可能喜欢的商品；而新一代决策智能体更像资深买手，不仅了解用户偏好，更会主动考虑"用户现在是否需要"、"推荐后是否会产生长期价值"等决策维度。

2. 核心架构解析

2.1 系统分层设计

云藏山鹰系统采用五层架构设计：

1. 数据感知层：实时采集用户显性/隐性反馈，特别新增了决策反馈信号（如"加入购物车但未购买"）
2. 特征工程层：除传统用户/商品特征外，创新性地引入：
   • 用户决策周期特征（购物间隔、浏览深度）
   • 市场环境特征（库存压力、竞品动态）
3. 模型决策层：双引擎设计
   • 预测引擎：基于改进的DeepFM模型
   • 决策引擎：采用强化学习框架
4. 策略优化层：多目标权衡算法
5. 效果监控层：创新指标体系（后文详述）

2.2 决策智能体关键技术

2.2.1 用户决策过程建模

我们构建了决策状态转移图（DSTG），将用户行为解构为：

• 认知阶段：页面停留时长>15s且滚动深度>60%
• 考虑阶段：重复查看≥3次或跨设备查看
• 决策阶段：加入购物车/收藏行为

python复制class DecisionState:
    def __init__(self):
        self.cognitive = False 
        self.consideration = False
        self.decision_pending = False

    def update(self, user_action):
        if user_action.dwell_time > 15 and user_action.scroll_depth > 0.6:
            self.cognitive = True
        if user_action.repeat