当用户从PC端向移动端转移的过程中，因为移动端的小屏化、浏览时间碎片化的特点，在有限的时间、空间中仅能向用户呈现有限的内容，因此对APP内容提供者的推荐算法能力提出了新的挑战。在电商购物环境下更有其自身的特点，如用户需求动态变化、商品种类数量繁多、促销活动频繁等，在此，我们从手机淘宝的实践中，选取若干具有创新性的案例和技术，进行分析与讨论。

图1是结合电商特点，由实际需求驱动的一个三层推荐系统架构图，简要说明如下。

第一层是item（可以是商品、店铺、内容等）相关的选品设计：根据各无线产品的定位，我们为特定人群选择他们所需要的优质商品。

第二层是用户与item的匹配层：它包含以协同过滤为主的算法，考虑用户短中长期兴趣和需求的变化，以及空间时间上下文的变化，从海量item库中找出最可能满足其当前需要的物品。

第三层是精确排序层：基于经典的Learning to Rank技术来进行精准推送；同时，为了更早、更准确地捕捉用户意图的变化，在计算层引入流式计算引擎，并研发了在线学习框架。

由上述的三层推荐系统构建的技术体系，我们得以支撑电商中数百个应用场景和产品，包括最具技术挑战的“双11”场景。我们在这些场景中做出了大胆的产品和技术创新。下面选择三个原创性的算法和技术，逐一进行分析和讨论。