• 时间:
  • 分类:

当AI已成为私域电商的 “核动力引擎”，梦饷科技携手阿里云PAI，通过AI技术重构 “人货场” 关系 —— 驱动店主成为多领域专家、重构商品特征匹配逻辑、进化全渠道运营能力，实现从 “流量运营” 到 “智能运营” 的跨越。

关于梦饷科技

梦饷科技是国内领先的商品分发智能解决方案提供商，自2015年成立以来，历经代购时代、店主时代、开源时代和AI时代，期间发布了爱库存App、饷店H5、饷店小程序等产品，确立了B2R的商业模式和分利模型。截至目前，梦饷科技已服务超400万店主，累计为4万多个品牌销售商品。

近年来，梦饷科技提出AI战略，并持续深耕AI技术与电商业务的深度结合。

在由上海市商务委员会指导、上海市网购商会主办的《2025 年上海商业人工智能优秀案例集（电商与零售篇）》 中，梦饷科技凭借“AI 驱动客服体系重构”项目脱颖而出，荣获“卓越引领奖”，成为此次评选中唯一入选的私域电商平台。

当AI已成为私域电商的 “核动力引擎”，梦饷科技正通过AI技术重构 “人货场” 关系 —— 驱动店主成为多领域专家、重构商品特征匹配逻辑、进化全渠道运营能力，实现从 “流量运营” 到 “智能运营” 的跨越。

业务痛点

梦饷科技拥有多重业务形态，其中，饷店小程序是梦饷集团旗下的去中心化品牌特卖平台，为了实现转化效率和用户体验提升，饷店小程序希望推进推荐系统迭代升级，以实现短时间内多个场景推荐效果显著优化。具体痛点如下：
de5fd6bf393d41c984603d6d1339d7f5.png

业务节奏快，运营诉求多样且时效性强

  • 时间窗口紧张：期望在3个月内完成推荐系统关键能力升级，快速验证效果提升路径。
  • 实时性要求高：需将用户的实时行为（如点击、加购、浏览）快速反馈至推荐结果中，提升个性化感知。

  • 精细化召回需求丰富：

    • 期望支持基于用户属性（如：城市+兴趣标签）构建动态热门商品榜；
    • 期望实现类目级、子类目级的热度商品召回能力；
    • 特定场景下仅展示热卖商品，保障推荐内容的市场热度与成交潜力。
    • 需要自动过滤已售罄商品，确保推荐结果可购买；
    • 对部分流量入口要求仅召回高转化潜力商品，提升整体转化率表现。

技术底座尚在建设中，研发资源面临较大投入压力

尽管智能推荐价值已被充分认可，但在系统能力建设方面仍处于关键爬坡期：

  • 基础工具链待完善：需要建立统一的 A/B 测试平台、特征一致性校验机制及推荐诊断工具，缩短实验验证周期，提升归因分析效率。
  • 算法能力正处于升级阶段：正在从传统协同过滤向深度学习模型演进，计划引入多目标排序（MMOE）、深度召回（DSSM/Two-tower）等深度学习模型和框架，但相关实践经验仍在积累中。

在推荐效果持续优化的过程中，梦饷团队的关注重点已从“有没有推荐”转向“推荐得好不好”，这是从“经验驱动”迈向“数据+算法驱动”的必经之路。

基于阿里云PAI-Rec升级梦饷推荐系统架构

针对上述问题，阿里云协助梦饷科技构建了云原生的搜索推荐系统技术架构，该架构基于阿里云智能推荐 PAI-Rec 和 TorchEasyRec 实现。
7207e69c413c4bb491eefeb809de526f.png

推荐算法升级：实现智能化效果提升

特征选择与工程指导

PAI-Rec 提供智能数据诊断能力，帮助客户快速理解数据分布，科学构建特征体系。

  • 特征选择建议：平台内置诊断模块，辅助开发者筛选掉低价值特征，避免盲目试错；

  • 通过推荐算法定制配置产出多种统计特征，避免繁琐的特征工程统计开发工作：

    • 用户维度：偏好类目、品牌等点击、购买等统计指标，以及如点击率、转化率类的转化率指标，还有用户行为序列特征；
    • 物品维度：热度、转化率、价格区间，不同群体的用户在物品侧的偏好统计指标等；
    • 上下文维度：时间、地理位置、设备类型等指标；
  • 支持自定义扩展更多的统计特征、交叉特征、衍生特征。

深度学习算法低成本落地

依托 TorchEasyRec，实现深度模型的高效应用与快速迭代。

  • 预置模型库：内置 20+ 行业经典模型，如DeepFM、xDeepFM、WuKong排序模型，DSSM召回模型，MMOE、DBMTL 多目标排序模型，Rocket Launching 粗排模型，HSTU生成式排序模型等；
  • 配置化开发：仅需修改 protobuf 配置文件，即可完成模型部署，无需编写复杂代码，大幅提升研发效率；
  • PAI-DLC 支撑分布式训练，按需调用 GPU 资源，灵活控制成本；
  • PAI-EAS 提供多实例共享 GPU 能力，实现高并发下低延迟推理，最大化 GPU 利用率；
  • 多目标优化支持：TorchEasyRec 提供 DBMTL 等多任务学习模型，支持 CTR、CVR、GMV 等多目标联合建模，提升整体转化效率。

精细化召回能力：满足多样化运营需求

售罄过滤与热卖商品召回

  • 售罄物品过滤
    利用 PAI-Rec 的过滤机制，通过配置 FilterConfs 实时过滤已售罄商品，确保推荐结果均为可购状态。
  • 热卖物品召回
    可采用 UserGlobalHotRecall 或自定义策略，结合商品销量、库存状态等维度筛选高转化潜力商品，用于特定场景的强转化引导。

多维度热门商品召回

  • 类目热门召回
    通过配置 UserGroupHotRecall 组件并设置 category 触发器，实现在指定类目下的热门商品精准召回。
  • 多属性组合召回
    支持基于用户属性（如性别 + 城市）的组合条件配置，在召回引擎中设置多个触发条件，实现人群细分下的个性化热度推荐。

基于业务规则的调整权重和曝光频率控制

  • 性别偏好的商品加权

      对某些用户具有较强的商品性别偏好，可以根据用户性别偏好对商品加权，满足业务需求。

  • 可以对商品的曝光疲劳度控制

      为了避免某些商品反复曝光给用户，可以做曝光频率控制，当曝光数量较多则设置过滤。

平台化建设：一体化推荐系统平台

PAI-Rec 平台已内置完整的工具链能力，无需自行开发，显著降低系统建设成本。

  • A/B 测试服务
    PAI-Rec 提供完整的 AB 实验管理后台，支持按天或按小时粒度追踪实验表现，并允许自定义核心评估指标，实现精准效果归因。
  • 特征一致性校验
    平台提供专用工具，自动比对离线与在线特征的生成结果，有效识别并预警数据不一致问题，保障实验结论的准确性。
  • 推荐结果诊断
    提供多维度的推荐结果可视化分析能力，支持对召回来源、排序分布、曝光覆盖等关键环节进行深度洞察，助力快速定位问题。

项目成果与展望

截至12月底，梦饷推荐系统升级在核心业务场景中取得显著成效：
✅ UV点击率提升30%，用户对推荐内容的兴趣度和匹配精准度实现跨越式增长；
✅ 推荐场景驱动的交易额（GMV）显著上升，全面达成客户设定的年度业务目标。

标签: none

添加新评论