精准推荐从算法升级到工程化应用，随着技术发展，不断演进升级，深度学习发挥了越来越显著的作用；

首先分析了建模算法及工程化困局；

其次介绍尤其在深度学习上应用的显著的成果和技术框架；

平安人寿从传统算法出发，迭代高阶算法到深度学习，并在每个阶段不断深化，包括传统算法中的最优分箱、到高阶算法中的自动变量组合与梯度下降调优、再到深度学习的输入预处理与层次结构优化；每一步在上一步基础上，根据软硬件环境和技术发展水平持续提升效果，建立了一整套完整的算法体系和方案，以及相应的工程化应用方案，快速支持业务高效的应用；

最后，展望了精准推荐技术演进发展的方向和趋势.

概述

算法及工程化困局，深度学习技术方案和架构

传统算法:逻辑回归

要点:最优分箱与变量选择，泛化性能与网格搜索，工程化落地实践

高阶算法:GBDT+LR，GBDT+FM

要点:自动组合变量，梯度下降方式，工程化落地实践

深度学习算法: GBDT+FM+DNN，WIDE AND DEEP

要点:输入预处理，层次结构， 调参，工程化落地实践，未来演化方向，总结

1.目标

通过深度学习提升精准推荐应用效果，尤其是对金融公司来说如何快速引入新的算法体系和工程化落地方案，具有明显借鉴意义。

2. 成功（或教训）要点

2.1技术框架：合适的技术框架和框架组合；

2.2算法演进迭代：扎实的演进和迭代过程

2.3算法优化过程：深入每个环节进行优化，对照效果

2.4工程化过程：建立平台，支持大数据量的快速迭代和上线应用

3.具体收益

3.1节省成本：基于开源软件，废除了某建模商业软件，年节省费用百万级.

3.2提升效率：建立机器学习和算法应用平台，较传统建模步骤，节省建模时间，缩短到原来的1/2；

3.3提升收益：较传统的算法，精度提升10%+，尤其带来的收益数十亿。