論文鏈接：https://arxiv.org/abs/1707.08113

這篇文章中，阿里研究者們對(duì)電商領(lǐng)域營(yíng)銷推送場(chǎng)景進(jìn)行了點(diǎn)擊率的優(yōu)化。營(yíng)銷推送場(chǎng)景和傳統(tǒng)電商推薦場(chǎng)景有很多類似的地方，但也有所不同。首先，營(yíng)銷推送的點(diǎn)擊率受文案影響很大，和用戶直接相關(guān)的文案的點(diǎn)擊率會(huì)明顯高于通用的推送文案；其次，每次營(yíng)銷推送只有一個(gè)展示坑位，因?yàn)閷?duì)推送商品的準(zhǔn)確度要求更高。

為解決***個(gè)問(wèn)題，我們進(jìn)行「購(gòu)物搭配」場(chǎng)景的推薦。購(gòu)物搭配場(chǎng)景推送一個(gè)和用戶已購(gòu)買商品的搭配商品，比如當(dāng)用戶買了高級(jí)茶壺后對(duì)上好茶葉進(jìn)行推送（下圖第二個(gè)推送信息）。購(gòu)物搭配的好處是文案中可以透出用戶已購(gòu)商品，消息可以和用戶建立強(qiáng)烈的 attachment，提升消息打開率。

為尋找搭配商品對(duì)，我們定義如下兩個(gè)指標(biāo)：

1）同時(shí)購(gòu)買分?jǐn)?shù)（Co-Purchase Graph）

2) 看了又買分?jǐn)?shù)（View-and-then-Purchase Graph）

***個(gè)指標(biāo)衡量了兩個(gè)商品之間的互補(bǔ)性（complementarity），第二個(gè)指標(biāo)衡量了兩個(gè)商品的替代性（substitutivity）。購(gòu)物搭配場(chǎng)景下，我們希望尋找高互補(bǔ)性、低替代性的商品對(duì)進(jìn)行推薦。因此，我們把商品對(duì)「搭配性」的得分定義為：

這個(gè)分?jǐn)?shù)是我們推薦模型中的一個(gè)重要特征。

為了解決推薦準(zhǔn)確性的問(wèn)題。我們對(duì)用戶分層進(jìn)行更細(xì)致的刻畫。我們的主要思想是基于用戶行為對(duì)用戶的向量表示（Embeddings）進(jìn)行學(xué)習(xí)，然后我們用這些向量表示對(duì)用戶的行為進(jìn)行預(yù)測(cè)。向量表示可以理解為對(duì)用戶在高維度的一個(gè)量化的抽象表示。

向量表示的好處是可以更精準(zhǔn)，更靈活的對(duì)目標(biāo)進(jìn)行表達(dá)。舉個(gè)例子，我們對(duì)用戶的描述不僅僅局限于年齡、消費(fèi)能力等人可以 Intuitively 容易想到的維度，人工智能可以自動(dòng)從消費(fèi)者數(shù)據(jù)中學(xué)習(xí)到更全面更抽象的維度，比如用戶對(duì)推薦平臺(tái)的依賴程度，用戶對(duì)選擇商品的創(chuàng)新性等。

用戶向量的學(xué)習(xí)我們采用的是概率隱層模型（Probabilistic Latent Class Modeling）。首先我們定義用戶點(diǎn)擊模型如下：

這個(gè)模型分為兩層，***層是隱層用來(lái)刻畫用戶在高維度下的分層，采用多維邏輯回歸分類的形式。

第二層是點(diǎn)擊率預(yù)測(cè)模型。我們這里選擇了一個(gè)二維邏輯回歸模型。不過(guò)可以很容易的擴(kuò)展使用深度神經(jīng)網(wǎng)絡(luò)。

我們要在已知用戶特征和點(diǎn)擊數(shù)據(jù)的條件下估計(jì)模型參數(shù)。我們采用經(jīng)典的 EM（Expectation-Maximization）算法。

EM 算法需要先求解 Q 函數(shù)：

為優(yōu)化 Q 函數(shù)我們對(duì)參數(shù)進(jìn)行迭代優(yōu)化如下：

上面兩個(gè)更新很容易通過(guò) Gradient Decent 方法求解。

下圖是我們對(duì)求解模型的一個(gè)解釋。我們發(fā)現(xiàn)高活躍用戶更加看中自己的傾向，預(yù)測(cè)模型的權(quán)重在用戶偏好類的特征中高（high model weights on user preference features）；低活躍用戶更加依賴于平臺(tái)的推薦，更喜歡平臺(tái)選擇的搭配性好的商品，預(yù)測(cè)模型權(quán)重在商品搭配性的特征權(quán)重高 (high model weights on )。這可以直觀的理解為深度用戶在選擇商品上更有自己主見，而新手更依賴于平臺(tái)。

目前該工作在線上取得了不錯(cuò)的效果，購(gòu)物搭配的推送推薦場(chǎng)景上看到~50% 點(diǎn)擊率的提升。

更廣義地來(lái)講，這項(xiàng)技術(shù)給行業(yè)帶來(lái)的好處的是可以更精準(zhǔn)和全面的刻畫用戶，進(jìn)一步推廣可以用來(lái)描述商品、資訊、視頻等其他目標(biāo)。該技術(shù)可以幫助使我們的營(yíng)銷推薦更友好（了解用戶），同時(shí)從商業(yè)上提高轉(zhuǎn)化率（高點(diǎn)擊率）。