電商 AI（Commerce AI）

3 秒看懂

一句話：電商 AI 是將機器學習/深度學習系統性嵌入”人找貨”與”貨找人”全鏈路的技術叢集，核心是推薦系統 + 搜尋排序 + 需求預測 + 對話式商務，驅動轉化率（CVR）與客單價（AOV）提升。

關鍵訊號：頭部電商平台的 AI 系統已從”輔助模組”進化為”核心作業系統”——據公開財報及技術部落格估算，Amazon、阿里、位元組電商體系中推薦與搜尋帶來的 GMV 貢獻佔比可達 60%–80% [供應鏈估算，各平台未統一口徑揭露]。

3 分鐘產業解釋

電商 AI 解決的核心矛盾

電商的本質問題是規模化的個性化匹配：數億使用者 × 數十億 SKU × 即時變化的價格/庫存/促銷，組合空間近乎無窮。傳統規則引擎和簡單協同過濾已經無法覆蓋這一複雜度，深度學習成為剛需。

五大技術子域

子域	核心任務	典型部署位置
推薦系統	個性化商品/內容排序	首頁資訊流、猜你喜歡、關聯推薦
搜尋排序	Query 理解 + 相關性 + 質量分	搜尋結果頁、篩選
需求預測與供應鏈	銷量預測、庫存分配、物流排程	後端供應鏈、倉儲系統
對話式商務（Conversational Commerce）	智慧客服、導購助手、AI 搜尋對話	APP 內對話視窗、客服系統
風控與反欺詐	刷單識別、支付風控、虛假評論檢測	交易鏈路各環節

此外還有視覺搜尋（以圖搜物）、虛擬試穿/試用、AI 生成商品描述/圖片（AIGC for Commerce）等新興子域。

產業鏈位置

算力層(GPU/TPU/自研晶片) → 架構層(PyTorch/TensorFlow/自研) → 模型層(DLRM/Transformer/多模態)
                                    ↓
                        應用層(推薦/搜尋/預測/對話)
                                    ↓
                        商業化層(GMV↑ / 成本↓ / 體驗↑)

15 分鐘專家深入

1. 推薦系統：電商 AI 的核心引擎

架構演進

電商推薦系統經歷了三代架構：

第一代：協同過濾 + 統計特徵（2010 年前）

Item-CF / User-CF / 矩陣分解（SVD/ALS）
簡單但擴充套件性有限，冷啟動問題嚴重

第二代：深度推薦模型（2016–2022）

以 DLRM（Deep Learning Recommendation Model，Meta 2019 年開源）為代表範式
核心結構：稀疏特徵通過 Embedding Table 對映為稠密向量，稠密特徵過 MLP，兩者通過 Feature Interaction（內積/外積/雙線性）交叉後送入頂層 MLP
代表模型：DeepFM、DCN（Deep & Cross Network, Google）、DIN（Deep Interest Network, 阿里）、DIEN（Deep Interest Evolution Network, 阿里）

第三代：大型模型賦能推薦（2023–至今）

利用 LLM 做使用者意圖理解、Query 改寫、冷啟動商品描述生成
探索將 Transformer 直接用於序列推薦（如 BERT4Rec、P5、TALLRec）
多模態大型模型用於商品圖文理解與匹配
注意：大型模型在推薦中的落地仍處早期，延遲/成本/可控性是核心瓶頸，主流生產系統仍以第二代架構為主體

工業級推薦的漏斗架構

┌─────────────────────────────────────────┐
│           全量商品池 (億級 SKU)           │
└────────────────┬────────────────────────┘
                 │  召回 (Recall/Retrieval)
                 │  多路召回: CF、向量檢索(ANN)、
                 │  圖神經網路、熱門、規則...
                 │  目標: 從億級→千級候選
┌────────────────▼────────────────────────┐
│         候選集 (~1000–5000 件)           │
└────────────────┬────────────────────────┘
                 │  粗排 (Pre-Ranking)
                 │  輕量模型快速打分
                 │  目標: 千級→數百
┌────────────────▼────────────────────────┐
│         候選集 (~200–500 件)             │
└────────────────┬────────────────────────┘
                 │  精排 (Ranking)
                 │  複雜模型(DLRM/多工學習)
                 │  CTR + CVR + GMV 多目標
                 │  目標: 輸出排序分
┌────────────────▼────────────────────────┐
│         排序結果 (~50–100 件)            │
└────────────────┬────────────────────────┘
                 │  重排 (Re-Ranking)
                 │  多樣性、去重、業務規則、
                 │  生態調控、廣告混排
┌────────────────▼────────────────────────┐
│         最終展示 (~10–30 個坑位)          │
└─────────────────────────────────────────┘

關鍵工程挑戰：

Embedding Table 規模：頭部平台使用者+商品+上下文特徵的 Embedding 引數量可達 數百 GB 至 TB 級 [各平台未充分揭露具體數字，此處為行業共識估算]，單卡無法放下，需要模型並行（按特徵分片到多卡）
即時性：使用者行為需秒級甚至毫級反映到模型（線上學習/增量更新），推薦結果需在 <100ms 內返回
多目標平衡：CTR、CVR、GMV、使用者留存、商家公平性、內容生態等目標存在衝突，需要 Pareto 最佳化或約束最佳化

2. 搜尋排序

電商搜尋 = 語義理解 + 相關性匹配 + 質量/轉化預估。

Query 理解：分詞糾錯、意圖識別、同義詞擴充套件 → 傳統 NLP + BERT 類模型
語義召回：雙塔模型（BERT encoder for query + BERT encoder for title），ANN 檢索（Faiss / ScaNN / 自研引擎）
排序：LTR（Learning to Rank），通常用 GBDT + 深度模型級聯，LambdaMART 仍廣泛使用
LLM 賦能：Query 改寫（如”Apple”→ disambiguation）、AI 搜尋對話（如 Perplexity 風格的購物助手）

3. 需求預測與供應鏈

時序預測模型：從 ARIMA/Prophet 到 Transformer-based 時序模型（如 Informer、PatchTST）
多層級預測：SKU × 倉庫 × 天 → 聚合約束一致性
關鍵指標：MAPE、WAPE，頭部平台在核心 SKU 上的預測精度據公開技術分享可達 <10% MAPE [根據 Amazon Supply Chain、京東技術部落格等公開分享，非統一口徑]

4. 對話式商務（Conversational Commerce）

智慧客服：意圖識別 + FAQ 檢索 + 知識圖譜 → 大型模型端到端生成
AI 導購助手：結合使用者畫像 + 商品知識庫，用 RAG（檢索增強生成）實現個性化推薦
代表產品：Amazon Rufus（2024 年推出）、淘寶問問、Shopify Sidekick
技術棧：LLM + RAG + Function Calling（呼叫商品搜尋/價格查詢等 API）+ 安全過濾

5. AIGC for Commerce

AI 商品主圖/詳情圖生成：Stable Diffusion / DALL·E 類模型微調
AI 商品描述/SKU 標題生成：LLM + 結構化屬性輸入
AI 影片素材：短影片/直播切片自動化
這一子域 2023–2024 年增速最快，但 ROI 量化仍在探索中

技術原理（深入機制與關鍵引數）

核心模型機制

1. DLRM 架構

DLRM 是電商推薦的事實標準範式。其核心設計思想是將稀疏 ID 類特徵（user_id、item_id、category_id 等）和稠密統計特徵（價格、銷量、點選率等）分別處理後做交叉。

稀疏特徵 (categorical)          稠密特徵 (numerical)
     │                               │
     ▼                               ▼
┌──────────┐                   ┌──────────┐
│ Embedding │ ×N 個特徵表       │ Bottom MLP│
│  Tables   │                   │(多層感知機)│
└─────┬────┘                   └─────┬────┘
      │                              │
      │  Concatenate /               │
      │  Feature Interaction         │
      │  (dot product / bilinear /   │
      │   attention)                 │
      └──────────┬───────────────────┘
                 ▼
           ┌──────────┐
           │  Top MLP  │
           │(多層感知機)│
           └─────┬────┘
                 ▼
            輸出 (pCTR / pCVR / ...)

Embedding Table 的工程挑戰：

一箇中等規模的電商推薦系統，Embedding 特徵表可能包含 數百個特徵域（feature field），總引數量可達 數十億到數百億 [行業估算，各平台未統一揭露]
但這些引數極其稀疏——每個 mini-batch 實際啟用的 Embedding 行可能僅佔總表的 0.01%–0.1%
因此需要混合並行：Embedding 按行切分（模型並行，跨多卡/多機），稠密部分資料並行
推論階段的 Embedding Serving 需要極高的記憶體頻寬 → 通常部署在 CPU 記憶體 + SSD 快取層級

2. 多工學習（Multi-Task Learning）

電商排序通常需要同時最佳化多個目標。主流方案：

Shared-Bottom：底層共享，各目標各自有 Tower → 簡單但任務衝突時互相干擾
MMoE（Multi-gate Mixture-of-Experts，Google 2018）：多個 Expert + 每個任務一個 Gate → 通過門控自動學任務間的關係
PLE（Progressive Layered Extraction，騰訊 2020）：在 MMoE 基礎上加入任務專屬 Expert + 共享 Expert，逐層提取

3. 序列推薦

使用者行為序列蘊含豐富的興趣演化訊號：

DIN（阿里 2018）：對使用者歷史行為序列做 Attention，用候選商品作為 Query，加權聚合歷史行為 Embedding
DIEN（阿里 2019）：在 DIN 基礎上用 GRU 建模興趣演化過程
BERT4Rec（2019）：將 BERT 的 Masked LM 思想用於序列推薦，雙向 Transformer 捕獲上下文
SASRec（2018）：單向 Transformer（更接近 GPT 思路），因果掩碼，適合線上推論

4. 向量檢索（ANN）技術

推薦的召回階段大量使用近似最近鄰（ANN）檢索：

演算法：HNSW（Hierarchical Navigable Small World）、IVF（Inverted File Index）、PQ（Product Quantization）
引擎：Faiss（Meta 開源）、ScaNN（Google 開源）、Milvus（國產開源）、Pinecone（SaaS）
規模：需在 10 億級向量中在 <10ms 內返回 Top-K 候選 [行業公開 benchmark 可見於 ANN-Benchmarks]

5. LLM + RAG 用於對話式導購

使用者 Query: "幫我找一款500元以內的降噪耳機，通勤用"
        │
        ▼
┌───────────────────┐
│   LLM 意圖解析     │  → 結構化意圖: {品類: 耳機, 型別: 降噪,
│   (Function Call)  │    價格: ≤500, 場景: 通勤}
└────────┬──────────┘
         │
         ▼
┌───────────────────┐
│  商品檢索 API 呼叫  │  → 檢索符合條件的商品列表
└────────┬──────────┘
         │
         ▼
┌───────────────────┐
│  RAG 生成回覆      │  → LLM 基於檢索結果 + 商品評價/引數
│  + 安全過濾        │    生成個性化推薦話術
└───────────────────┘

技術演進史

時期	標誌事件	技術特徵
2003–2009	Amazon Item-CF 論文（Linden et al., 2003）	協同過濾、矩陣分解主導
2009–2014	Netflix Prize（2009）；阿里天池大賽興起	SVD++、FM（Factorization Machine）；特徵工程為王
2015–2016	Google Wide & Deep（2016）；YouTube DNN 推薦（2016）	深度學習正式進入推薦；Embedding + MLP 成為基線
2017–2018	阿里 DIN/DIEN；Google DCN；DeepFM	Attention 機制、特徵交叉網路、序列建模
2019	Meta DLRM 論文；工業推薦系統架構成熟	推薦系統工程範式標準化（召回→粗排→精排→重排）
2020	騰訊 PLE；圖神經網路用於推薦（PinSage, Pinterest）	多工學習最佳化；異構圖建模使用者-商品關係
2021–2022	預訓練推薦模型探索（P5, MoRec）；短影片推薦興起	跨域推薦、冷啟動最佳化、內容理解多模態化
2023–2024	LLM 賦能電商（Amazon Rufus, 淘寶問問）；AIGC 商品素材	大型模型做意圖理解/對話/內容生成；推薦系統 LLM-augmented
2025	Agent-based Commerce 探索；端到端 AI Shopping Agent	從”推薦列表”走向”AI 代理自主完成購物決策”的早期探索

技術路線對比

維度	傳統 CF/MF	深度推薦模型 (DLRM 家族)	LLM-augmented 推薦	端到端 Agent 推薦
引數規模	百萬級	十億–數百億（含 Embedding）	Embedding + LLM 7B–70B	LLM + 工具呼叫鏈
推論延遲	<5ms	10–50ms（精排）	100ms–數秒	秒級
冷啟動能力	弱	中（依賴特徵）	強（語言泛化）	強
可解釋性	高	低	中（可生成理由）	高（chain-of-thought）
工程成熟度	★★★★★	★★★★★	★★★☆☆	★☆☆☆☆
適用場景	小規模/基線	主流生產系統（2024）	對話搜尋/冷啟動輔助	概念驗證階段

商品理解技術路線對比

維度	人工規則 + 結構化屬性	CV/NLP 專項模型	多模態大型模型
覆蓋品類	高（人工標註）	中（需標註資料）	高（零樣本/少樣本）
準確率	高（受限品類）	高（訓練品類內）	中–高（依賴 prompt）
成本	高（人力）	中（訓練+維護）	低–中（API 呼叫）
典型用途	標品屬性提取	圖片分類/標題 NER	非標品理解/長尾品類

上下游

上游（供給端）

環節	關鍵玩家/要素	說明
算力	NVIDIA GPU（A100/H100/H200/B200）、自研晶片（Google TPU、Amazon Trainium、阿里含光）	推薦模型訓練需大規模 Embedding 並行，對記憶體頻寬和互聯頻寬敏感
架構	PyTorch（主流）、TensorFlow、PaddlePaddle（百度）、MindSpore（華為）	Meta DLRM 基於 PyTorch；各平台多有自研訓練架構
資料基礎設施	ClickHouse、Kafka、Flink、特徵平台（Feast/自研）	即時特徵工程是推薦系統的關鍵
雲端服務	AWS SageMaker、阿里 PAI、Google Vertex AI	提供推薦 MLOps 全流程

下游（需求端）

行業	應用方式	AI 滲透程度
綜合電商	全鏈路推薦+搜尋+供應鏈	極高
內容電商/直播	短影片推薦、直播間商品推薦、即時互動推薦	高
本地生活/外賣	餐廳推薦、配送排程預測	高
跨境電商	多語言商品理解、跨文化推薦、關稅/合規預測	中–高
品牌 DTC	私域個性化營銷、郵件推送、會員運營	中
B2B 電商	企業採購推薦、供應商匹配	中低

關鍵指標

技術指標

指標	含義	行業基準 [估算]
CTR	點選率（Click-Through Rate）	資訊流推薦：2%–8%；搜尋結果：5%–15% [因品類/平台差異大]
CVR	轉化率（Conversion Rate）	1%–5% [因品類/平台差異大]
NDCG@K	排序質量（Normalized Discounted Cumulative Gain）	精排 NDCG@10 通常 0.3–0.6 [行業技術分享估算]
推論延遲 P99	99 分位延遲	精排：<50ms；端到端搜尋：<200ms
QPS	每秒處理請求數	頭部平台推薦服務：百萬級 QPS [行業估算]
Embedding 命中率	特徵快取命中率	>95% [行業估算]

商業指標

指標	含義	AI 貢獻方向
GMV	平台總交易額	推薦/搜尋提升轉化
AOV	客單價（Average Order Value）	交叉推薦提升
DAU/MAU	日/月活躍使用者	個性化提升留存
Take Rate	平台變現率	廣告+推薦融合提升
Customer Acquisition Cost	獲客成本	AI 最佳化廣告投放效率

供需與市場資料

市場規模

⚠️ 資料口徑宣告：電商 AI 市場缺乏統一邊界定義（是否包含營銷 AI、供應鏈 AI、客服 AI 等），不同報告口徑差異顯著。以下資料為定性參考。

全球推薦系統市場：多家研究機構估算 2024 年約 50–100 億美元，CAGR 約 30%–40%（2024–2030）[多家研究機構口徑不一致，此處為區間估算]
中國智慧客服市場：2024 年約 80–120 億人民幣 [各研究機構口徑差異大]
AIGC 電商應用：2024 年處於爆發早期，具體市場規模資料尚不成熟

供需格局

需求端：

電商平台 AI 預算佔技術總投入比例持續上升，據各平台公開財報及技術分享，頭部平台 AI 研發投入佔比技術總預算可達 20%–40% [根據各公司財報揭露的 AI 相關 CapEx/OpEx 估算]
中小商家 AI 工具需求旺盛（AI 做圖、AI 文案、智慧投放），SaaS 化趨勢明顯

供給端：

頭部平台自研為主（Amazon、阿里、位元組、京東、拼多多均有千人級 AI 團隊）
中腰部電商依賴雲端廠商 AI 解決方案（AWS Personalize、阿里 PAI-Rec、火山引擎推薦等）
獨立 SaaS 供應商：Algolia（搜尋）、Dynamic Yield（已被 Mastercard 收購）、Nosto、Recombee 等

代表公司與資本對映

一梯隊：全棧自研型平台

公司	核心能力	資本對映	關鍵技術標籤
Amazon	推薦系統（“customers who bought…”）、Rufus 對話助手、供應鏈預測、Alexa 購物	AMZN（納斯達克）	DLRM、Graph Neural Net、LLM Agent
阿里巴巴	淘寶推薦/搜尋（DIN/DIEN 發源地）、通義千問接入電商、智慧供應鏈	BABA（紐交所/港股 9988）	DIN/DIEN、多模態、RAG
字節跳動	抖音電商推薦（內容電商標杆）、火山引擎推薦服務、豆包接入電商	未上市（一級市場估值 [未公開確認]）	內容理解、短影片推薦、興趣電商
京東	搜尋推薦（NLP + CV 強）、言犀大型模型接入客服、供應鏈 AI（物流預測）	JD（納斯達克/港股 9618）	供應鏈最佳化、知識圖譜、對話 AI
拼多多	社交推薦+價格敏感推薦、Temu 跨境推薦	PDD（納斯達克）	社交圖譜、極致價效比排序

二梯隊：AI 能力輸出型

公司	核心能力	資本對映
Google	Shopping 推薦、Merchant AI 工具、Gemini 接入購物	GOOGL（納斯達克）
Meta	DLRM 開源、廣告推薦（全球最大廣告 AI 系統）、Facebook/IG Shop	META（納斯達克）
Microsoft	Copilot 購物體驗、Bing Shopping AI、Azure 推薦服務	MSFT（納斯達克）
Shopify	Sidekick AI 助手、Shopify Magic（AI 商品描述/圖片）	SHOP（NYSE）
Salesforce	Commerce Cloud Einstein（推薦+個性化）	CRM（NYSE）

三梯隊：垂直/AI SaaS 型

公司	定位
Algolia	搜尋即服務（Search-as-a-Service）
Coveo	電商搜尋與推薦 SaaS
Nosto	電商個性化 SaaS
小滿科技/OKKI	外貿 CRM + AI
有贊	小程式電商 + AI 工具
值得買（什麼值得買）	內容導購 + AI 推薦

投資邏輯

核心邏輯

電商 AI 是”賣水人”邏輯的升級版：無論電商格局如何變化，AI 推薦/搜尋是提升轉化率的剛需，技術投入的邊際 ROI 可量化（提升 1% CTR 可能對應數十億 GMV 增量）
LLM/大型模型帶來新一輪升級週期：
- 對話式購物可能改變”搜尋框”這一入口形態 → 流量重新分配
- AIGC 降低內容生產成本 → 非標品電商（如服裝、家居）受益最大
- AI Agent 自主購物尚處概念階段，但長期可能顛覆”人貨匹配”範式
平台型 vs 工具型：
- 平台型（Amazon/阿里/位元組）：AI 是核心競爭力的一部分，但難以獨立估值
- 工具型（SaaS 推薦/搜尋/客服）：可獨立估值，但面臨平台自研替代風險

風險提示

資料壁壘消解風險：大型模型的 zero-shot 能力可能削弱電商垂直資料的壁壘價值
監管風險：推薦演算法透明度、個人資訊保護（GDPR/中國個保法）對推薦系統設計構成約束
投入回報週期：大型模型賦能電商的 ROI 尚未被充分驗證，部分投入可能是”技術焦慮驅動”
競爭加劇：開源模型（Llama、Qwen 等）降低門檻，中小玩家可快速追趕

常見誤讀糾偏

❌ 誤讀一：“大型模型將直接取代推薦系統”

糾偏：當前 LLM 的推論延遲（百毫秒級到秒級）和計算成本遠高於傳統推薦模型（毫秒級）。一個頭部電商平台每日可能有 數十億次推薦請求，全部用 LLM 推論在經濟上不可行。實際落地路徑是 LLM 做上游理解（意圖解析、Query 改寫、冷啟動商品描述生成）+ 傳統推薦模型做下游排序的混合架構。LLM 是”增強”而非”替代”。

❌ 誤讀二：“推薦系統就是協同過濾”

糾偏：協同過濾只是推薦系統的冰山一角。現代工業推薦系統是一個包含召回→粗排→精排→重排的多階段系統，核心精排模型引數量可達 數十億（含 Embedding），涉及深度特徵交叉、多工學習、序列建模、即時特徵工程等複雜技術棧。將推薦等同於 CF 是 2010 年前的認知。

❌ 誤讀三：“電商 AI 只是提升使用者體驗”

糾偏：電商 AI 的商業價值遠不止”體驗”——需求預測直接影響 庫存週轉率和倉儲成本，智慧定價直接影響 獲利率，反欺詐直接影響 壞賬率，廣告推薦融合直接影響 平台變現率（Take Rate）。它是一個全鏈路的效率最佳化引擎，使用者體驗只是其中一個維度。

❌ 誤讀四：“有了 AI 推薦，商家不需要運營了”

糾偏：AI 推薦系統需要高質量的商品資料（標題、圖片、屬性、價格競爭力）作為輸入。如果商品資料質量差（標題堆砌關鍵詞、圖片模糊、價格虛高），再強的推薦演算法也無法”憑空推爆”。AI 是放大器，不是魔術師。商品運營和資料治理仍是基礎。

學習路徑

入門（1–2 周）

📖 閱讀《推薦系統實踐》（項亮）—— 中文推薦系統經典入門
📖 Google “Recommendations AI” 文件 —— 瞭解工業級推薦產品形態
🎓 Coursera: “Recommender Systems”（University of Minnesota）

進階（1–2 月）

📄 經典論文閱讀：
- Wide & Deep (Google, 2016)
- DeepFM (Huawei, 2017)
- DIN (Alibaba, 2018)
- DCN V2 (Google, 2021)
- DLRM (Meta, 2019)
🛠️ 實操：用 PyTorch 實現一個 DLRM 模型，跑在 Criteo 廣告資料集上
📖 閱讀 Meta DLRM 開原始碼（github.com/facebookresearch/dlrm）

高階（持續）

📄 關注 RecSys 會議（ACM RecSys）工業 Track 論文
📄 閱讀 LLM + 推薦方向綜述：如 “How Can Recommender Systems Benefit from Large Language Models: A Survey” (2023)
🛠️ 搭建一個簡單的 RAG-based 電商導購 demo（LangChain/LlamaIndex + 商品知識庫）
📖 關注阿里技術、位元組技術、Meta Engineering 等技術部落格的推薦系統分享

交叉閱讀

供應鏈 AI：瞭解時序預測在電商庫存中的應用
廣告系統：電商推薦與廣告推薦技術高度同構（幾乎共享同一套模型架構）
反欺詐：圖神經網路在交易風控中的應用

一句話總結

電商 AI = 用深度學習在”人”與”貨”之間建立毫秒級的最優匹配，推薦系統是其核心引擎，LLM 正在為這一引擎裝上”自然語言理解”和”內容生成”的新渦輪，但從”增強”到”顛覆”仍有很長的路要走。

延伸閱讀與來源

學術論文

Covington et al., “Deep Neural Networks for YouTube Recommendations” (Google, RecSys 2016)
Guo et al., “DeepFM: A Factorization-Machine based Neural Network for CTR Prediction” (IJCAI 2017)
Zhou et al., “Deep Interest Network for Click-Through Rate Prediction” (KDD 2018)
Naumov et al., “Deep Learning Recommendation Model for Personalization and Recommendation Systems” (Meta, 2019)
Ma et al., “Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts” (KDD 2018)
Sheng et al., “Progressive Layered Extraction (PLE): A Novel Multi-Task Learning Model” (RecSys 2020)

行業報告/部落格

Meta Engineering Blog: DLRM 推薦系統系列
阿里技術：搜尋推薦技術系列（DIN/DIEN/多工學習）
Amazon Science: Personalization & Recommendation 相關論文
Google AI Blog: Shopping & Recommendations
京東技術：供應鏈 AI 系列

開源資源

Meta DLRM: github.com/facebookresearch/dlrm
TorchRec (Meta): github.com/pytorch/torchrec — PyTorch 推薦系統專用庫
RecBole: github.com/RUCAIBox/RecBole — 統一推薦演算法架構
Faiss: github.com/facebookresearch/faiss — 向量檢索引擎
ANN-Benchmarks: ann-benchmarks.com — 向量檢索演算法 benchmark

免責宣告：本文中的市場規模數字、效能基準、技術引數等，凡未標註具體來源的，均為行業共識估算或定性判斷，不構成投資建議。各電商平台的內部技術細節通常未充分公開揭露，請以官方技術部落格/財報為準。