随着内容营销成为越来越重要的营销方式,淘宝App开始在其首页推荐栏下进行电商内容的推荐。电商内容推荐的初期会面临推荐系统常见的冷启动问题,而淘宝已经积累了多年的用户商品行为日志,通过利用用户在商品上的行为信息可以有效缓解内容推荐在起步阶段的冷启动问题。推荐系统最重要的两个阶段为召回和排序,召回阶段从海量的资源池中筛选出用户感兴趣的资源作为排序阶段的候选集合。召回阶段决定了排序阶段的准确率上限,且需要在毫秒级别的时间内完成。为此,本文针对淘宝在内容推荐初期的冷启动问题,在召回阶段的算法进行了以下研究工作:提出了一个将用户在商品上的行为编码为向量的用户模型,融合了用户在商品上的点击和搜索两种行为序列的文本信息,引入了用户行为序列中的时序和时间间隔信息,将用户的行为信息从商品空间映射到文本语义空间。通过淘宝全网搜索记录构建一个用户兴趣词表,基于该词表通过一个多标签兴趣分类任务对用户模型进行评估,通过抽取淘宝一亿用户半个月的行为日志作为实验数据,设计实验验证了用户模型的有效性。使用一个基于双向自注意力机制编码器的内容模型提取内容向量。采用淘宝中达人分享内容作为实验样本,并利用淘宝经验的搜索索引数据为每篇达人分享内容打上兴趣标签,通过实验确定了内容模型输入的文本序列长度,并与其他方法进行对比,验证了内容模型的编码效果。借鉴深度语义匹配模型的思想,提出了一个将用户在商品上的行为与内容进行匹配的模型。对于匹配模型训练时的数据稀疏和向量空间不一致问题,提出了一种共享逻辑层参数进行联合训练的预训练方法。通过分析随机采样、按点击热度采样和正样本分布的差异,选择适合的负样本构建策略。最后利用淘宝用户的行为日志构建实验样本,设计多组实验,验证了匹配模型可以有效解决推荐系统开展新业务时的冷启动问题。综上,本文提出的向量化召回模型,将用户行为信息从商品空间映射到文本语义空间,实现用户与电商内容的匹配,可以有效解决冷启动问题。