用于电子商务的机器学习推荐引擎（API + 离线评估）

我们正在开发一个中型电子商务商店，拥有数万个活跃的产品SKU和不断增长的目录，我们需要一个机器学习推荐引擎来替代我们目前使用的基于类别的简单模块。我们最感兴趣的两个位置是：产品页面上的“相似产品”模块和购物车及结账后页面上的“你可能喜欢”模块。推荐应基于真实用户行为和购买历史：浏览、购物车添加、愿望清单、已完成订单和退货。我们已经记录了所有这些事件，因此工作的第一部分是设计一个干净的管道，将我们的事件流和订单数据库转化为训练数据集，合理处理匿名和认证用户以及与“冷”产品的互动数据较少的情况。

引擎本身应通过一个文档化的API提供服务，以便我们的前端和后端可以实时调用。对于给定的产品或会话，它必须返回一个带有分数的产品ID排名列表，符合严格的延迟预算，并在模型缺乏信心时优雅地回退到流行或类别推荐。我们希望您提出并证明一种建模方法——协同过滤、基于内容或混合——但选择必须是可解释和可重复的，而不是我们无法维护的黑箱。商业规则也很重要：API必须排除缺货产品，避免推荐用户刚购买的商品，并支持价格范围和类别等简单过滤器。

同样重要的是诚实的离线评估。在任何发布之前，我们希望在历史数据上测量推荐质量，进行适当的基于时间的训练/测试拆分，并提供关于标准排名指标的报告，以及对实际改进与当前基线逻辑的清晰解释。交付物包括训练好的模型和推理服务、数据管道、评估报告及可重复的脚本和清晰的文档，以便在新数据到达时进行再训练。

— 从行为事件和订单历史到训练数据集的数据管道
— 推荐模型（协同、基于内容或混合）及冷启动处理
— 实时API，带有排名推荐和产品及会话的评分
— 商业规则：可用性、价格、类别、排除最近购买的商品
— 基于时间的拆分和与基线的排名指标的离线评估
— 文档和可重复的再训练脚本