返回

通智雲推薦系統：實現千人千面的個性化推薦

通智雲團隊 ·
技術方案 推薦系統 電商
通智雲推薦系統：實現千人千面的個性化推薦

摘要：隨着商品數量、內容規模與用戶觸點持續增加，電商平台面對的核心問題已由「如何獲得流量」延伸到「如何讓用戶更快找到相關內容」。本文說明通智雲推薦系統的商業價值、演算法能力、技術架構、整合方式、案例實施與優化方法。

導語

隨着商品數量、內容規模和用戶觸點持續增加，電商平台面臨的核心問題已經從「如何獲得流量」逐步延伸到「如何讓用戶更快找到相關內容」。如果推薦系統仍然主要依賴熱門商品和基礎協同過濾，通常會出現用戶畫像粒度不足、推薦結果同質化、行為回饋滯後以及不同業務場景適配能力有限等問題。

某時尚服飾電商平台在推薦系統優化前的核心指標如下：

核心指標 當前值 行業基準 差距
推薦點擊率 2.1% 3.5%+ -40%
推薦轉化率 0.8% 1.5%+ -47%
推薦GMV貢獻 12% 25%+ -52%
用戶停留時長 1分28秒 3分鐘+ -51%
推薦覆蓋率 35% 70%+ -50%

這些指標反映出，推薦系統不僅需要提高排序準確性，還需要同時解決數據採集、特徵工程、即時計算、多場景適配和持續實驗等問題。本文將從推薦系統的商業價值、演算法能力、技術架構、整合方式、案例實施和優化方法展開說明。

一、為什麼推薦系統是電商平台的重要基礎能力？

1.1 資訊過載提高了用戶選擇成本

當平台上的商品和內容持續增加，用戶需要在有限時間內完成篩選和決策。推薦系統透過用戶行為、商品內容和上下文資訊，為用戶提供更相關的候選結果，降低選擇成本，同時提升平台流量的利用效率。

用戶側問題 典型表現 對平台的影響
選擇成本高 商品數量多，用戶難以快速比較 大量商品缺少有效曝光
注意力有限 用戶無法長時間瀏覽和篩選 流量轉化效率下降
需求不明確 用戶進入平台時未必有明確購買目標 需要透過內容匹配和場景推薦激發需求

推薦系統的價值不只是展示更多商品，而是根據用戶當前意圖和長期偏好，動態調整內容的相關性、排序和組合方式。

1.2 公開行業案例顯示推薦具有商業價值

公開行業案例通常將推薦系統與收入貢獻、內容發現和用戶時長聯繫起來。不同平台的業務模式、統計口徑和推薦場景存在差異，以下數據適合作為行業參考，不應直接視為所有平台的固定結果。

平台 推薦系統價值 公開案例數據
Amazon 商品推薦帶來的收入貢獻 約35%的收入來自產品推薦
Netflix 提升內容發現效率 超過80%的內容透過個性化推薦被發現
內容平台 提升內容匹配和使用時長 推薦演算法是內容分發的重要基礎設施

對於規模化電商平台，推薦系統已經從單一的營銷功能發展為連接用戶需求、商品供給和業務目標的重要基礎能力。

1.3 個性化推薦的業務指標

根據原文引用的行業案例數據，個性化推薦可能對以下指標產生影響。實際結果取決於數據質量、業務場景、流量結構、模型能力和實驗設計。

指標 無推薦 有推薦 提升幅度
點擊率 2.8% 4.5% +61%
轉化率 1.9% 3.2% +68%
客單價 ¥128 ¥156 +22%
停留時長 1分28秒 3分12秒 +127%
GMV貢獻 12% 28% +133%

評估推薦系統時，應同時關注短期點擊、交易轉化、用戶體驗和長期用戶價值，避免僅以單一指標判斷系統效果。

二、通智雲推薦系統的核心能力

2.1 四類演算法能力

通智雲推薦系統可以根據數據規模、業務目標和場景約束，組合使用協同過濾、內容推薦、深度學習和混合推薦能力。

協同過濾推薦

演算法類型 說明 適用場景 主要價值
基於用戶的協同過濾 根據用戶行為尋找相似用戶，並推薦相似用戶偏好的商品 用戶行為數據較豐富的場景 提升發現性，輔助新品曝光
基於物品的協同過濾 根據用戶歷史行為尋找相似商品 商品關係相對穩定的場景 提升相關性，適合相關推薦
矩陣分解 透過隱因子模型挖掘用戶與物品之間的潛在關係 大規模推薦場景 在計算效率和推薦效果之間取得平衡
冷啟動優化 結合商品內容和基礎資訊緩解歷史行為不足 新用戶、新商品場景 提升初始推薦覆蓋率

內容推薦

演算法類型 說明 適用場景 主要價值
內容特徵匹配 根據商品屬性和內容特徵匹配用戶偏好 標籤體系較完善的場景 可解釋性較強
標籤相似度計算 根據類目、品牌和標籤計算物品相似度 分類體系清晰的場景 支援相關商品推薦
文本語義分析 使用NLP分析標題、描述和詳情頁文本 文本資訊豐富的場景 提升語義匹配能力
圖像特徵提取 使用CV提取商品圖片特徵 服裝、家居等視覺屬性重要的場景 補充商品視覺相似性

深度學習推薦

演算法類型 說明 適用場景 主要價值
深度神經網絡模型 學習用戶、物品和上下文之間的複雜關係 數據量較大的場景 提升複雜特徵建模能力
序列化推薦 根據用戶行為序列建模興趣變化 用戶意圖具有時序性的場景 捕捉短期興趣變化
線上學習 根據數據分佈變化更新模型或特徵 用戶偏好變化較快的場景 縮短行為回饋鏈路
多目標優化 同時考慮CTR、CVR、客單價等目標 需要平衡多類業務指標的場景 兼顧短期轉化和整體收益

混合推薦

能力類型 說明 適用場景 主要價值
多演算法融合 融合多種召回和排序結果 需要兼顧覆蓋與相關性的場景 綜合利用不同演算法優勢
規則引擎整合 將促銷、庫存和屏蔽規則納入推薦鏈路 業務規則較複雜的場景 提升可控性和執行靈活性
業務策略配置 透過配置調整推薦策略和權重 營運策略變化較快的場景 縮短策略調整週期
A/B測試支援 對不同模型、特徵或規則進行實驗 需要持續優化的場景 用數據支援方案選擇

2.2 即時個性化能力

推薦系統需要區分即時特徵更新、即時推薦計算和模型更新三個環節。用戶行為可以快速進入特徵鏈路，但模型更新通常按照獨立的訓練和發布週期執行。

即時特徵更新：

特徵類型 更新頻率 更新方式 業務價值
用戶畫像 即時 用戶行為發生後100ms內更新 反映最新興趣變化
行為特徵 即時 在互動事件產生後計算 捕捉當前訪問意圖
興趣偏好 動態 根據行為序列持續調整 適應用戶興趣變化

即時推薦計算：

能力 指標 說明
回應時間 平均小於100ms 在伺服器端完成毫秒級推薦回應
延遲目標 99.9%的請求小於200ms 用於約束推薦鏈路的延遲表現
線上推理 即時模型推理 根據請求上下文回傳推薦結果
快取優化 多級快取策略 縮短熱點數據的訪問路徑

2.3 多場景適配

同一套推薦系統需要根據頁面目標調整排序邏輯，而不是在所有頁面復用同一組推薦結果。

場景 推薦策略 業務目標 主要能力
電商首頁 綜合用戶偏好、熱門度和內容多樣性 平衡個性化與發現性 混合推薦
商品詳情頁 根據當前商品和用戶偏好推薦相關內容 輔助購買決策 協同過濾+內容推薦
購物車 根據已購或待購商品推薦互補商品 提升客單價 關聯規則+個性化
個人中心 根據用戶長期偏好進行個性化排序 提升回訪和點擊 深度學習推薦
活動頁 結合活動規則和用戶特徵進行推薦 提升活動參與和轉化 規則引擎+個性化
搜尋結果頁 融合搜尋意圖和用戶偏好 提升搜尋結果相關性 搜尋推薦融合

三、推薦系統工作原理深度解析

3.1 數據收集：推薦系統的基礎

用戶行為數據：

數據類型 具體內容 採集方式 更新頻率
瀏覽行為 商品瀏覽、頁面停留、滾動深度 埋點採集 即時或準即時
點擊行為 推薦位點擊、商品卡片點擊 埋點採集 即時
收藏行為 收藏商品、收藏店鋪 事件採集 即時
加購行為 加入購物車、修改數量 事件採集 即時
購買行為 下單、支付、退款 訂單同步 按業務鏈路同步
搜尋行為 搜尋詞、篩選條件 搜尋日誌 即時或準即時
評價行為 商品評價、評分 評價系統 準即時

物品數據：

數據類型 具體內容 來源
商品屬性 類目、品牌、材質、尺寸、顏色 商品庫
內容特徵 標題、描述、詳情頁文本 商品庫
圖像特徵 主圖、詳情圖 商品庫+CV提取
統計特徵 點擊率、轉化率、回購率 行為統計
關係特徵 相似商品、互補商品 關係計算

上下文數據：

數據類型 具體內容 採集方式
時間上下文 當前時間、星期、時段 客戶端
位置上下文 地理位置、IP歸屬地 客戶端/IP
設備上下文 設備類型、操作系統、瀏覽器 客戶端
渠道上下文 來源渠道、UTM參數 URL參數
活動上下文 當前活動、促銷資訊 活動系統

3.2 特徵工程：影響推薦效果的關鍵環節

用戶特徵體系：

特徵類別 具體特徵 特徵類型
基礎屬性 年齡、性別、地域、註冊時長 靜態特徵
興趣偏好 偏好品類、偏好品牌、偏好價位 統計特徵
行為特徵 活躍度、購買力、忠誠度、價格敏感度 統計特徵
即時狀態 最新瀏覽、當前會話、最近購買 即時特徵
生命週期 新用戶、成長用戶、成熟用戶、流失用戶 分類特徵

物品特徵體系：

特徵類別 具體特徵 特徵類型
內容特徵 文本Embedding、圖像Embedding 深度特徵
屬性特徵 類目、品牌、價格、標籤 分類/數值特徵
統計特徵 CTR、CVR、曝光量、銷量 統計特徵
關係特徵 相似物品列表、互補物品列表 關係特徵
質量特徵 好評率、退貨率、投訴率 統計特徵

特徵工程的目標不是簡單增加特徵數量，而是讓召回、排序和業務規則能夠更準確地識別用戶意圖、商品價值和上下文約束。

3.3 推薦計算：召回—粗排—精排—重排

推薦服務通常採用四階段架構，在候選覆蓋、計算效率、排序準確性和業務約束之間取得平衡。

召回階段

召回階段從多個來源生成候選集，重點保證覆蓋率和候選多樣性。

召回策略 說明 候選數量 主要特點
協同過濾召回 基於用戶—物品關係生成候選 500-1000 發現性較強
內容召回 基於物品內容相似度生成候選 500-1000 相關性較強
熱門召回 基於整體或場景熱度生成候選 200-500 提供基礎兜底
興趣召回 基於用戶興趣標籤生成候選 500-1000 個性化程度較高
地域召回 基於位置和區域特徵生成候選 100-300 適合場景化推薦
多路召回融合 合併不同來源並去重 2000-5000 綜合利用多種信號

粗排階段

粗排階段從數千個候選中快速篩選出幾百個候選，減少精排模型的計算壓力。

粗排策略 說明 處理數量 回應時間
快速打分模型 使用輕量級模型進行初步打分 2000-5000 <10ms
規則過濾 過濾庫存、狀態和業務上不可推薦的候選 2000-5000 <5ms
去重 去除重複商品或重複內容 500-1000 <5ms

精排階段

精排階段對粗排後的候選進行更細粒度的模型評分。

精排策略 說明 處理數量 回應時間
深度學習模型 使用Wide&Deep、DeepFM、DIN等模型 200-500 <50ms
多目標優化 聯合考慮CTR、CVR和客單價 200-500 <30ms
業務規則整合 納入庫存、促銷和利潤等約束 200-500 <10ms

重排階段

重排階段在模型結果基礎上進一步處理多樣性、展示位和業務策略。

重排策略 說明 輸出數量 回應時間
多樣性控制 避免同類商品或內容過度集中 50-100 <10ms
業務規則調整 執行置頂、屏蔽和策略排序 50-100 <5ms
展示位優化 根據展示位調整排序結果 50-100 <5ms

整體性能指標：

性能指標 目標值 說明
平均回應時間 <100ms 從請求進入到回傳推薦結果的平均耗時
P99回應時間 <200ms 第99百分位請求的回應時間不超過該值
可用性 >99.9% 推薦服務的可用性目標
吞吐量 >10萬QPS 面向高並發推薦請求的處理能力

四、推薦系統部署與整合

4.1 API整合

// 初始化推薦客戶端
const tengenceRec = new TengenceRecommendation({
  apiKey: 'your-api-key',
  sceneId: 'homepage',
  endpoint: 'https://rec.tengence.com/api/v1'
});

// 取得個性化推薦
const recommendations = await tengenceRec.getRecommendations({
  userId: 'user_12345',
  count: 10,
  context: {
    page: 'homepage',
    device: 'mobile',
    itemId: null // 首頁不傳商品ID，詳情頁傳入當前商品ID
  }
});

// 回傳結果示例
// {
//   "code": 0,
//   "data": {
//     "recommendations": [
//       {"itemId": "1001", "score": 0.95, "reason": "根據您的瀏覽紀錄"},
//       {"itemId": "1002", "score": 0.89, "reason": "與您收藏的商品相似"}
//     ],
//     "traceId": "abc123",
//     "modelVersion": "v2.3.1"
//   }
// }

traceId可用於請求追蹤和問題排查，modelVersion用於識別當前請求使用的模型版本。實際接入時應根據業務驗證、錯誤處理和數據合規要求完善客戶端邏輯。

4.2 SDK整合

通智雲提供多種語言和平台的SDK支援：

SDK語言 支援平台 主要特點
JavaScript/TypeScript Web端、小程序、Node.js 支援前端和伺服器端場景
Java Android、伺服器端 適合企業級應用程式接入
Python 伺服器端 便於數據處理和模型協作
PHP Web伺服器端 適合快速接入Web業務

4.3 外掛程式整合

平台 外掛程式類型 安裝方式
WordPress 推薦外掛程式 外掛程式商店安裝
Shopify 推薦App App Store安裝
Magento 推薦模組 Composer安裝

4.4 行為數據上報

// 行為數據上報
tengenceRec.report({
  userId: 'user_12345',
  eventType: 'view', // view/click/fav/cart/purchase
  itemId: '1001',
  context: {
    page: 'homepage',
    position: 1,
    ref: 'recommendation'
  },
  timestamp: Date.now()
});

上報數據通常包括用戶識別碼、行為類型、物品識別碼、頁面場景、展示位置和時間戳。實際欄位應根據業務埋點方案和隱私合規要求確定。

五、案例：某電商平台三個月推薦系統優化

5.1 背景與問題診斷

案例平台為某時尚服飾電商平台，成立於2019年，年GMV約1.8億元，月活用戶約50萬，SKU數量約3萬。

優化前的主要問題包括：

指標 優化前表現 行業參考 差距
推薦點擊率 2.1% 3.5%+ -40%
推薦轉化率 0.8% 1.5%+ -47%
推薦GMV貢獻 12% 25%+ -52%
用戶停留時長 1分28秒 3分鐘+ -51%

5.2 解決方案與實施週期

本次實施週期為8週，分為四個階段：

技術架構如下：

數據層
  ├─ 用戶行為數據（即時採集）
  ├─ 物品內容數據（商品庫同步）
  └─ 上下文數據（客戶端上報）
        ↓
特徵層
  ├─ 用戶特徵（100+維度）
  ├─ 物品特徵（200+維度）
  └─ 上下文特徵（50+維度）
        ↓
召回層
  ├─ 協同過濾召回
  ├─ 內容召回
  ├─ 熱門召回
  └─ 興趣召回
        ↓
粗排層
  ├─ 輕量級打分模型
  └─ 業務規則過濾
        ↓
精排層
  ├─ DeepFM模型
  ├─ 多目標優化（CTR+CVR）
  └─ 業務規則整合
        ↓
重排層
  ├─ 多樣性控制
  ├─ 業務規則調整
  └─ 展示位優化
        ↓
推薦結果輸出

5.3 第一個月：數據接入與特徵工程

週次 任務 完成度 關鍵成果 風險與應對
第1週 數據接入方案設計 100% 確定數據採集方案 —
第2週 用戶行為數據接入 100% 完成歷史數據遷移 數據量不足，擴大採集範圍
第3週 物品數據接入 100% 完成商品特徵工程 部分標籤缺失，建立補充機制
第4週 特徵工程開發 100% 350+特徵上線 —

5.4 第二個月：模型訓練與灰度準備

週次 任務 完成度 關鍵成果 風險與應對
第5週 召回演算法開發 100% 4路召回上線 —
第6週 粗排和精排模型訓練 100% DeepFM模型訓練完成 訓練數據不足，進行數據增強
第7週 A/B測試準備 100% 完成實驗方案 —
第8週 灰度測試啟動 100% 10%流量進入實驗 —

5.5 第三個月：灰度擴大與全量上線

週次 任務 完成度 關鍵成果 風險與應對
第9週 灰度擴大至30% 100% 推薦CTR提升35%，CVR提升28% —
第10週 灰度擴大至50% 100% 整體效果保持正向 —
第11週 灰度擴大至100% 100% 完成全量切換 監控異常時快速回應
第12週 持續優化 100% 推薦效果穩定改善 —

5.6 三個月後的結果

核心指標變化：

核心指標 優化前 優化後 提升幅度 行業對比
推薦點擊率 2.1% 3.8% +81% 超過行業參考值
推薦轉化率 0.8% 1.5% +88% 達到行業參考值
推薦GMV貢獻 12% 28% +133% 超過行業參考值
用戶停留時長 1分28秒 3分5秒 +119% 超過行業參考值
客單價 ¥128 ¥152 +19% 持續改善

分場景效果數據：

場景 CTR提升 CVR提升 GMV貢獻提升
首頁推薦 +75% +82% +125%
詳情頁推薦 +88% +95% +145%
購物車推薦 +95% +78% +110%
個人中心推薦 +70% +85% +130%

ROI分析：

投入項 金額（萬元） 產出項 金額（萬元）
系統建設 25 GMV增長 280
數據接入 8 獲客成本降低 35
營運優化 5 存量用戶價值提升 45
總投入 38 總產出 360

綜合投入38萬元和產出360萬元，案例ROI約為1:9.5。上述結果為該匿名案例在三個月週期內的階段性結果，實際項目應結合流量規模、業務結構和實驗口徑獨立評估。

六、推薦系統優化實踐

6.1 冷啟動優化

新用戶和新商品的冷啟動問題需要分別處理。

新用戶冷啟動策略：

策略 說明 作用
熱門推薦兜底 初始階段展示場景熱門商品 保證基礎推薦體驗
註冊資訊引導 引導用戶填寫基礎偏好 快速建立初始畫像
偏好問卷 透過3—5個問題收集興趣資訊 縮短個性化啟動時間
即時行為學習 根據每次行為快速更新特徵 逐步形成動態畫像

新商品冷啟動策略：

策略 說明 作用
基於內容推薦 使用商品屬性、文本和圖像特徵 無歷史行為時提供初始推薦
相似商品探索 根據內容相似性尋找關聯商品 獲得初始曝光機會
探索—利用策略 在探索新商品與利用已知偏好之間進行平衡 兼顧短期效果和長期收益
小流量測試曝光 先進行小規模曝光，再根據數據調整流量 降低新品推薦風險

6.2 多目標優化

推薦系統通常需要在多個目標之間進行平衡：

目標 優化策略 權重考慮
點擊率 用戶興趣匹配、標題和圖片優化 根據流量價值調節
轉化率 購買意圖識別、價格敏感性分析 根據利潤結構調節
客單價 高價值商品加權、組合推薦 根據經營目標調節
長期價值 用戶滿意度、回購率、LTV 根據長期戰略調節

一種多目標排序表達方式如下：

最終得分 = w1 × pCTR + w2 × pCVR + w3 × 價格因子 + w4 × 多樣性因子

其中，具體權重和因子定義應根據平台的利潤結構、庫存策略、用戶體驗和階段性目標進行配置，不能脫離業務場景固定使用。

6.3 A/B測試持續優化

測試維度：

維度 測試內容 參考週期
演算法選擇 協同過濾與深度學習模型對比 2—4週
參數調整 學習率、正則化參數等 1—2週
特徵工程 新增特徵、特徵組合 2—3週
業務規則 多樣性權重、策略規則 1—2週

評估指標：

指標類型 具體指標 評估重點
點擊指標 CTR、點擊深度 內容相關性和吸引力
轉化指標 CVR、AOV、GMV 交易貢獻和商業結果
體驗指標 停留時長、跳出率 使用體驗和內容承接
滿意度指標 好評率、回購率 長期用戶價值

實驗應設置穩定的對照組和實驗組，並在足夠觀察週期內綜合比較短期轉化與長期用戶價值，避免僅根據單次波動調整模型或規則。

七、常見問題解答

問：需要多少數據才能開始使用推薦系統？

答：通智雲支援冷啟動，少量數據即可開始建立基礎推薦能力。

最低數據要求可參考：

數據規模增加後，模型通常能夠獲得更豐富的用戶—物品關係和上下文信號：

實際數據要求仍需結合業務場景、商品規模、行為分佈和數據質量評估。

問：推薦系統的回應時間是多少？

答：當前性能參考指標如下：

性能指標 目標值 參考實際值
平均回應時間 <100ms 約60ms
P99回應時間 <200ms 約150ms
可用性 >99.9% 99.95%
吞吐量 >10萬QPS 支援15萬QPS

P99表示第99百分位的請求延遲，即約99%的請求回應時間不超過該值。具體性能會受到請求規模、召回路數、模型複雜度、網絡環境和部署方式影響。

問：如何衡量推薦效果？

答：建議從四類指標進行綜合評估：

指標類型 核心指標 評估方式
點擊指標 CTR、點擊深度 透過A/B測試對比
轉化指標 CVR、AOV、GMV 透過A/B測試和歸因分析對比
體驗指標 停留時長、跳出率 透過行為數據分析評估
滿意度指標 好評率、回購率 透過用戶調研和長期用戶隊列分析評估

實際評估時，還應關注推薦覆蓋率、多樣性、庫存消耗、退貨率和長期用戶價值等指標。

問：推薦系統支援即時更新嗎？

答：支援即時特徵更新和即時推薦計算，模型更新則按照獨立的訓練週期執行：

能力 指標 說明
即時特徵更新 100ms內 用戶行為發生後在100ms內更新相關特徵
即時推薦計算 <100ms 推薦請求在目標時間內回傳結果
模型更新 準即時、小時級 根據數據分佈和訓練策略進行模型更新

即時能力的實際表現取決於數據上報、特徵處理、模型服務和業務系統之間的整體鏈路。

八、總結與行動建議

8.1 核心經驗總結

推薦系統建設需要同時考慮演算法、數據、工程和業務策略：

  1. 商業目標明確：同時關注點擊、轉化、GMV、用戶體驗和長期價值。
  2. 架構分層清晰：透過召回、粗排、精排和重排逐步平衡覆蓋率、準確性和回應速度。
  3. 即時回饋有效：及時接收用戶行為，縮短興趣變化到推薦結果之間的回饋鏈路。
  4. 場景策略差異化：根據首頁、詳情頁、購物車、個人中心和搜尋頁的業務目標調整推薦邏輯。
  5. 實驗機制持續運行：透過A/B測試和指標監控持續優化模型、特徵和業務規則。

8.2 實施建議

企業建設或優化推薦系統時，可以按照以下路徑推進：

時間 行動 預期成果
本週 評估現有推薦效果，確定優化目標 明確問題和指標基線
下週 選擇與業務規模匹配的推薦方案 制定數據和實施計劃
1—2個月內 完成數據接入、特徵工程和模型訓練 基礎推薦能力上線
2—3個月內 開展灰度實驗並觀察效果 形成初步CTR、CVR和GMV結果
持續推進 進行A/B測試和策略優化 提升長期推薦效果

以上時間為典型實施參考，實際週期取決於數據準備、系統整合、業務場景數量和實驗要求。

8.3 通智雲能夠提供的能力

通智雲提供面向企業業務的AI推薦系統解決方案：

透過用戶行為理解、內容匹配和即時排序，推薦系統可以為不同業務場景提供更相關、更可控的推薦結果。

關於通智雲

推薦系統的召回—排序—重排架構是企業增長的技術底座，屬於通智雲關注的增長技術領域。通智雲（TENGENCE）是 AI 時代的企業增長引擎，專注公域引流獲客與私域轉化成交。

相關閱讀

資料來源

立即行動

立即行動
免費預約專家諮詢和診斷

← 上一篇: 通智雲搜尋優化：提升站內搜尋體驗的5個關鍵點 下一篇: 電商搜尋＋推薦一體化：從數據打通到協同優化 →
諮詢
二維碼

企業微信