近年来,随着国内汽车保有量的逐年递增与二手车交易市场规模的扩大,二手车交易由传统的线下模式逐渐转至线上平台。其中C2B模式凭靠成交快、交易周期短、买方资源稳定等优势占据一定市场份额。商户作为C2B模式中的交易下游承担着关键角色,在车源信息爆炸时代,每个竞拍场次中车辆众多,如何快速有效地为商户个性化推荐偏好车辆,提高有效报价数量及效率,提升商户满意度,降低车辆流拍率是C2B二手车交易平台的核心目标之一。本文根据二手车交易平台K的实际业务场景,结合行业、用户及二手车特点,设计并实现了一个基于Elastic Stack的C2B二手车商户竞拍推荐系统。本系统后端基于MTV模式的Django框架开发,利用sklearn等大数据模块完成数据特征工程,数据库根据数据特点分别采用My SQL、Mongo DB、Redis保存,前端采用VUE框架实现页面展示及渲染。本文主要研究工作分以下几点:第一,针对C2B模式下二手车一车一况及竞拍车辆时效性高的问题,本文在离线推荐模块提出了一种基于点击率与有效报价率加权的车辆热度评分算法,以此完成了基于热度的推荐;同时利用构建好的商户偏好模型实现了基于内容的推荐,二者相结合解决了用户及车辆冷启动问题。第二,针对竞拍车辆流拍问题,本文在推荐引擎模块提出了一个基于有效报价数与竞拍时间的流拍加权算法Unsold。该算法可根据当前的竞拍时间提高流拍可能性高的车辆曝光度,有效降低了竞拍车辆的流拍率及流拍造成的成本损失。经线上测试,可使车辆流拍率降低1.85%,且该算法对于提高竞拍场景下长尾物品的曝光度具有一定的通用性。第三,构建一套高可用的日志的采集、过滤及分析模块。利用Elastic Stack实现了对商户点击、出价行为日志的异步采集、过滤与索引,推荐系统通过ES的REST接口对日志进行抽取并统计分析。第四,设计并实现了基于以上算法的竞拍推荐系统。商户可通过本系统在竞拍场次中快速定位其偏好车辆并完成出价过程,提高了其浏览及报价的效率。