一直以來(lái)都被高度曝光的人工智能領(lǐng)域相關(guān)應(yīng)用，總是引來(lái)巨大關(guān)注。在電商搜索領(lǐng)域，人工智能發(fā)揮著怎樣的作用?Etsy數(shù)據(jù)科學(xué)主管洪亮劼以案例為基，從人工智能技術(shù)在電商中的基本應(yīng)用、電商人工智能技術(shù)與傳統(tǒng)領(lǐng)域的異同等方面出發(fā)，為大家?guī)?lái)了一場(chǎng)以“人工智能技術(shù)在電商搜索的落地應(yīng)用”為題的干貨分享。

人工智能在電商的應(yīng)用

人工智能技術(shù)在電商中的基本應(yīng)用可以分為三個(gè)方面，分別是搜索、推薦和廣告，主要目的是為了讓顧客更加便捷的買到自己想要的商品。

電商的***要?jiǎng)?wù)在于是否能夠利用自身的搜索、推薦、廣告平臺(tái)，讓顧客更加快速有效的購(gòu)買一件商品。其次，相對(duì)于傳統(tǒng)平臺(tái)而言電商必須具備這一功能——發(fā)現(xiàn)，目的是幫助用戶找到他目前不太想買但仍存在潛在購(gòu)買性的商品。

假設(shè)把電商購(gòu)物與線下購(gòu)物體驗(yàn)進(jìn)行對(duì)比，普通人在進(jìn)行線下購(gòu)物時(shí)，商家未必會(huì)把顧客心儀的產(chǎn)品擺在最外面，那么顧客就存在一定的不購(gòu)買性且在很短時(shí)間內(nèi)離開購(gòu)物中心。對(duì)購(gòu)物中心而言，他們更希望顧客能停留盡可能多的時(shí)間，且在這段時(shí)間內(nèi)能光顧更多商家;作為用戶而言，雖然絕大多數(shù)用戶可能沒有在***時(shí)間購(gòu)買商品，但這并不妨礙這些用戶享受這樣的購(gòu)物環(huán)境。如何將線下的購(gòu)物場(chǎng)景運(yùn)用到線上購(gòu)物中?是目前的電商平臺(tái)所需要考慮的一個(gè)問(wèn)題，也是對(duì)人工智能應(yīng)用而言一個(gè)相對(duì)巨大的挑戰(zhàn)。

電商人工智能技術(shù)與傳統(tǒng)領(lǐng)域的異同

就搜索應(yīng)用而言，電商搜索與普通搜索的***區(qū)別在于購(gòu)買流程的建模及發(fā)現(xiàn)流程的建模。普通的搜索模式更希望用戶盡可能在搜索頁(yè)面本身停留較短的時(shí)間，它更希望用戶只點(diǎn)擊搜索頁(yè)面的首頁(yè)，而非翻到第二頁(yè)第三頁(yè)。它將最相關(guān)的內(nèi)容放在首頁(yè)的前幾位的目的是為了讓用戶點(diǎn)擊首頁(yè)搜索結(jié)果后能夠快速離開，將用戶的這一操作過(guò)程控制在30秒甚至更短的時(shí)間內(nèi)。

相反，它希望用戶能夠持續(xù)反復(fù)的進(jìn)行這一搜索交互操作。電商搜索則與普通搜索有著很大的差別，在傳統(tǒng)搜索中最受重視的相關(guān)性并非電商搜索的全部，只是電商搜索的一方面而已。而電商搜索更需要關(guān)注總體利潤(rùn)，能否通過(guò)搜索來(lái)產(chǎn)生效益。電商搜索的最終目的是提高用戶的購(gòu)買訴求，其次是激發(fā)用戶的潛在購(gòu)買欲望。因此，電商搜索相對(duì)于傳統(tǒng)搜索而言，多了“如何利潤(rùn)***化”、“如何激發(fā)用戶潛在購(gòu)買欲”等維度。

就推薦應(yīng)用而言，目前的推薦系統(tǒng)已較為完善，也出現(xiàn)了許多推薦方案。但電商推薦與傳統(tǒng)推薦又有何不同?已有的推薦模型均基于Collaborative Filtering(協(xié)同過(guò)濾)，一般的Collaborative Filtering是通過(guò)用戶過(guò)去的行為對(duì)未來(lái)的行為進(jìn)行預(yù)測(cè)推薦。以視頻網(wǎng)站為例，假設(shè)你在某個(gè)視頻網(wǎng)站上瀏覽過(guò)某部電影的***季，這一視頻網(wǎng)站便會(huì)為你推薦這部電影的第二季、第三季。

但如果在電商場(chǎng)景下，假設(shè)用戶已經(jīng)購(gòu)買某一產(chǎn)品，而電商推薦系統(tǒng)繼續(xù)向你推薦相同產(chǎn)品時(shí)，就會(huì)暴露出這一系統(tǒng)的不智能性。因此，Collaborative Filtering技術(shù)對(duì)電商推薦而言是不恰當(dāng)?shù)?，需要根?jù)電商的特殊屬性來(lái)對(duì)推薦系統(tǒng)做出大的調(diào)整。電商的最終目的是為了讓用戶購(gòu)買商品，通過(guò)推薦的方式使用戶購(gòu)買***化商家的利潤(rùn)，這需要在過(guò)去的推薦系統(tǒng)上增加更多元素。如庫(kù)存元素，假設(shè)商家把僅有少量庫(kù)存甚至庫(kù)存唯一的商品推薦給很多用戶，一旦商品售出就會(huì)使得其他用戶有較差的使用體驗(yàn)。如何利用庫(kù)存來(lái)做到比較好的交互體驗(yàn)是電商搜索需要關(guān)心的一個(gè)內(nèi)容。

就廣告應(yīng)用而言，電商的廣告系統(tǒng)是雙信息坊系統(tǒng)。對(duì)于賣家而言，更希望通過(guò)廣告費(fèi)用使得自己的商品出現(xiàn)在搜索頁(yè)面的前幾位。對(duì)于平臺(tái)而言，通過(guò)幫助賣家獲取更多的點(diǎn)擊量來(lái)收取一定費(fèi)用。對(duì)于買家而言，即使搜索頁(yè)面的前幾位是廣告位，也不會(huì)使用戶產(chǎn)生反感，因?yàn)橘I家的最終目的是買到適合自己的產(chǎn)品。

在這一層面，就存在買家、賣家、平臺(tái)之間的三方博弈，而這三方很明顯有三個(gè)不同的優(yōu)化目標(biāo)，因此需要針對(duì)這三個(gè)不同的目標(biāo)函數(shù)進(jìn)行優(yōu)化。賣家希望用最少的錢打到***的效果;買家希望買到***的東西;平臺(tái)則希望在這個(gè)交易過(guò)程中利益***化。如何將三種不同訴求的目標(biāo)統(tǒng)一在同一建模中，這對(duì)于電商廣告系統(tǒng)而言又是一大挑戰(zhàn)。

電商搜索有別于傳統(tǒng)搜索，不管是在搜索、推薦領(lǐng)域還是廣告領(lǐng)域，基本都屬于一個(gè)未知的領(lǐng)域，這其中的核心在于兩個(gè)任務(wù)，一是如何衡量評(píng)價(jià)所做的事情是否正在優(yōu)化你的目標(biāo);二是如何優(yōu)化貫穿搜索、推薦及廣告之間的關(guān)系。

電商搜索的優(yōu)化案例

以優(yōu)化GMV(搜索產(chǎn)生的利潤(rùn))為案例作為分享，它將搜索相關(guān)性與利潤(rùn)相掛鉤。何為GMV?

GMV是在搜索過(guò)程中所能衡量的期望利潤(rùn)，針對(duì)每一個(gè)商品關(guān)鍵字，用戶存在一定購(gòu)買概率。這一概率乘以商品本身的價(jià)格，再對(duì)所有的商品和所有的搜索繪畫進(jìn)行加和，得出一個(gè)期望利潤(rùn)，再將這一利潤(rùn)***化。目標(biāo)在于估計(jì)用戶究竟有多大可能購(gòu)買一個(gè)商品，同時(shí)，這些商品也是價(jià)格較貴或是能讓商家從中賺取更多利潤(rùn)的產(chǎn)品。有了這一目標(biāo)后，重新評(píng)估電商搜索領(lǐng)域用戶的決策行為，將這個(gè)決策行為進(jìn)行簡(jiǎn)化至兩個(gè)步驟，***步是在搜索頁(yè)面輸入關(guān)鍵字后進(jìn)行比較，在經(jīng)過(guò)比較后的排序結(jié)果里點(diǎn)擊某一結(jié)果，針對(duì)這個(gè)點(diǎn)擊結(jié)果進(jìn)行建模。點(diǎn)擊結(jié)果后，頁(yè)面跳轉(zhuǎn)至下一頁(yè)面，進(jìn)入第二個(gè)頁(yè)面后，用戶可以根據(jù)頁(yè)面內(nèi)容、商品價(jià)格等進(jìn)行建模，以確定自己是否需要購(gòu)買這一商品。

簡(jiǎn)單來(lái)說(shuō)，是將整個(gè)購(gòu)買過(guò)程簡(jiǎn)化成兩個(gè)步驟，一是選擇、二是決定;也將如何產(chǎn)生GMV分成兩個(gè)步驟，***個(gè)步驟是從搜索頁(yè)面產(chǎn)生“點(diǎn)擊”的決策動(dòng)作，二是從產(chǎn)品頁(yè)面進(jìn)行“購(gòu)買”的決策動(dòng)作。

回到GMV公式中的購(gòu)買概率，將這一概率拆成兩個(gè)部分，分別為點(diǎn)擊概率及基于點(diǎn)擊的購(gòu)買概率。拆分后即可對(duì)兩個(gè)部分進(jìn)行單獨(dú)建模。首先是點(diǎn)擊建模，點(diǎn)擊建模存在于搜索頁(yè)面的基礎(chǔ)之上，當(dāng)頁(yè)面呈現(xiàn)出一個(gè)搜索結(jié)果后再啟動(dòng)點(diǎn)擊。這一部分存在可直接借鑒的模型——Learning to Rank(學(xué)習(xí)排序)，兩者***的區(qū)別僅在于傳統(tǒng)的Learning to rank是從用戶的相關(guān)度來(lái)學(xué)習(xí)，或者是查詢關(guān)鍵字的相關(guān)度。這里僅需要將相關(guān)度在NDCG中從頁(yè)面相關(guān)程度標(biāo)簽轉(zhuǎn)化為點(diǎn)擊標(biāo)簽。下圖為NDCG的公式。

在這一公式中，未知數(shù)為Fc，這也是需要建模來(lái)表達(dá)的未知數(shù)(點(diǎn)擊概率)。通過(guò)深度網(wǎng)絡(luò)對(duì)點(diǎn)擊概率進(jìn)行建模，這也是這一過(guò)程中的***個(gè)步驟。

第二個(gè)步驟為二元決策，也就是當(dāng)用戶到達(dá)某一個(gè)產(chǎn)品的頁(yè)面時(shí)，所做出的“是否購(gòu)買”的決策行為。運(yùn)用logistic regression，學(xué)習(xí)logistic regression中的wp系數(shù)。

與標(biāo)準(zhǔn)二元決策的差異在于需要對(duì)logistic regression重新通過(guò)價(jià)格進(jìn)行權(quán)重分類。從中可以看出，價(jià)格是決定用戶是否購(gòu)買的重要因素，其中優(yōu)化目標(biāo)不再是相關(guān)度而是GMV。

從下圖的數(shù)據(jù)中可以看出，用戶的點(diǎn)擊存在商品位置的偏見。

排在前幾位的商品點(diǎn)擊率較高，這也是與傳統(tǒng)搜索相似之處，用戶希望他所預(yù)期的產(chǎn)品能夠排在相對(duì)靠前的位置，但這一基于位置的遞減點(diǎn)擊速率遠(yuǎn)遠(yuǎn)低于傳統(tǒng)搜索。

(注：以上內(nèi)容根據(jù)數(shù)據(jù)俠洪亮劼在數(shù)據(jù)俠線上實(shí)驗(yàn)室的演講實(shí)錄整理。圖片來(lái)自其現(xiàn)場(chǎng)PPT，已經(jīng)本人審閱。本文僅為作者觀點(diǎn)，不代表DT財(cái)經(jīng)立場(chǎng)。)