天貓商城個(gè)性推薦演化
2017-05-12
引言：個(gè)性化推薦技術(shù)直面用戶(hù)，可以說(shuō)是站在最前線(xiàn)的那個(gè)。如今，從用戶(hù)打開(kāi)手機淘寶客戶(hù)端（簡(jiǎn)稱(chēng)“手淘”）或是手機天貓客戶(hù)端（簡(jiǎn)稱(chēng)“貓客”）的那一刻起，個(gè)性化推薦技術(shù)就已經(jīng)啟動(dòng)，為你我帶來(lái)一場(chǎng)個(gè)性化的購物之旅。本文將細數個(gè)性化推薦的一路風(fēng)雨，講講個(gè)性化推薦技術(shù)的演進(jìn)史。
本文選自[《盡在雙11——阿里巴巴技術(shù)演進(jìn)與超越》。
1、個(gè)性化推薦All-in無(wú)線(xiàn)
無(wú)線(xiàn)個(gè)性化推薦起步于2013年10月?，F在往回看，當時(shí)的阿里很好地把握住了移動(dòng)端快速發(fā)展的浪潮，以集團All-in無(wú)線(xiàn)的形式吹響了移動(dòng)端戰斗的號角。個(gè)性化推薦團隊也是從All-in無(wú)線(xiàn)這一事件中孵化的。我們從零開(kāi)始搭建了個(gè)性化推薦算法體系及個(gè)性化算法平臺TPP。TPP這一個(gè)性化算法平臺對個(gè)性化推薦團隊的成長(cháng)起到了至關(guān)重要的作用?；赥PP，個(gè)性化算法團隊成員們驗證算法的速度得到了極大的提高，優(yōu)化算法的速度從而也得到了極大的提高。僅僅花了不到兩個(gè)月的時(shí)間，個(gè)性化推薦的第一版算法就在“有好貨” 中初露鋒芒：結合基于主動(dòng)學(xué)習的選品算法平臺TSP，個(gè)性化推薦團隊一舉打造了“有好貨”針對高端人群的優(yōu)質(zhì)導購體驗。
2014年，隨著(zhù)個(gè)性化推薦算法團隊對業(yè)務(wù)問(wèn)題有了更好理解，以及技術(shù)研發(fā)的深入，我們逐步開(kāi)發(fā)并上線(xiàn)了排序引擎RTP、標簽探索算法PairTag及在線(xiàn)學(xué)習引擎Olive（如下圖所示）等多項核心技術(shù)。個(gè)性化推薦算法也因此被快速地應用到“發(fā)現好店”、“愛(ài)逛街”、“猜你喜歡”及購物鏈路等手淘的各個(gè)主要場(chǎng)景中。其中，手淘底部的“猜你喜歡”商品瀑布流推薦是億萬(wàn)用戶(hù)每天登錄手淘后必逛的場(chǎng)景，為人們搜尋和發(fā)掘自己喜好的商品提供了便捷的渠道。“猜你喜歡”也一舉成為中國電商中最大的推薦產(chǎn)品。
正是在A(yíng)ll-in無(wú)線(xiàn)后的這一年，個(gè)性化推薦開(kāi)始在阿里逐步成長(cháng)起來(lái)。
2、 個(gè)性化推薦初逢雙11
2015年，個(gè)性化推薦第一次在雙11中大放異彩。還記得當年9月中旬，我們正在維也納參加推薦系統最大的會(huì )議RecSys。逍遙子突然來(lái)電，告知在2015年雙11上要全面開(kāi)啟個(gè)性化推薦，隨行的同事們都很興奮，但我們又不得不面臨缺乏雙11實(shí)戰經(jīng)驗的實(shí)際問(wèn)題。當然，機會(huì )和風(fēng)險往往是并存的。面對挑戰，我們很快開(kāi)始規劃進(jìn)程和分工?；氐胶贾葜?，團隊全員進(jìn)入備戰狀態(tài)，我們的努力在雙11當天得到了回報。2015年11月12日凌晨，推薦算法團隊、手淘及天貓的眾多小伙伴們并不覺(jué)得疲乏，大家的臉上都閃爍著(zhù)喜悅。個(gè)性化推薦算法在雙11大放光芒，一個(gè)又一個(gè)令人瞠目的數字足以為證。個(gè)性化推薦的第一戰場(chǎng)“雙11主會(huì )場(chǎng)”更是自雙11開(kāi)展多年以來(lái)首次達到了個(gè)位數的跳失率，其引導人數和人均引導頁(yè)面數都是前一年的2～3倍。不得不說(shuō)，這些令人振奮的結果都要歸功于之前兩年中個(gè)性化推薦在無(wú)線(xiàn)端的落地。
2015年雙11主會(huì )場(chǎng)個(gè)性化算法（即“天坑一號”，如下圖）包括三個(gè)層次：樓層順序個(gè)性化、樓層內坑位個(gè)性化、坑位素材個(gè)性化。這三個(gè)層次自頂向下，在用戶(hù)體驗上形成一套完整的方案。其中：
樓層順序個(gè)性化使得女神看到的樓層順序可能是女裝、美妝、天貓國際等，歐巴看到的樓層順序可能是男裝、旅行、數碼等。
樓層內坑位內容個(gè)性化，使得在同一個(gè)樓層內，不同用戶(hù)看到的商品或店鋪不同，比如同樣都是美食控，喜歡辣味的用戶(hù)可能看見(jiàn)麻辣牛肉干，喜歡甜味的用戶(hù)可能看見(jiàn)巧克力。
坑位內容素材個(gè)性化，使得同一個(gè)樓層的同一個(gè)坑位，即便算法預測兩個(gè)用戶(hù)都需要巧克力，但一個(gè)喜歡費列羅而另一個(gè)喜歡德芙，也會(huì )在入口圖上展示不同的品牌。
這三層個(gè)性化中涉及多策略推薦算法、排序學(xué)習、合圖等多項技術(shù)。整個(gè)項目的進(jìn)展用六個(gè)字來(lái)總結就是“時(shí)間緊任務(wù)重”。在多個(gè)團隊的辛勤工作及緊密協(xié)作下，我們第一次全方位地將自All-in以來(lái)所積累的個(gè)性化推薦技術(shù)用于如此復雜的場(chǎng)景之中。
個(gè)性化推薦在“雙11主會(huì )場(chǎng)”取得成功的因素有很多。其中，最值得稱(chēng)道的莫過(guò)于“首圖個(gè)性化”。在指甲殼大小的空間上，我們對產(chǎn)品創(chuàng )意素材和文字進(jìn)行精雕細琢和個(gè)性化投放。這一改變極大地提升了用戶(hù)活躍度，并催生了2015年雙11主會(huì )場(chǎng)的個(gè)性化項目。該項目的成功上線(xiàn)成倍地降低了會(huì )場(chǎng)跳失率。更重要的是，個(gè)性化推薦為用戶(hù)帶來(lái)了全新的無(wú)線(xiàn)端購物體驗，并且為阿里在電商領(lǐng)域的茁壯成長(cháng)帶來(lái)了顯著(zhù)的助力作用。個(gè)性化推薦算法團隊因此榮獲2015年CEO特別貢獻獎。下面引用阿里巴巴CEO逍遙子嘉獎信里的一段話(huà)：“這次雙11的一大亮點(diǎn)是，我們基于大數據的無(wú)線(xiàn)產(chǎn)品和技術(shù)的創(chuàng )新，使得整個(gè)運營(yíng)效率有了大幅度提升。淘系的活躍用戶(hù)得到了充分的引導和互動(dòng)，得到了大量個(gè)性化的展示和推薦，事實(shí)證明了大數據的巨大威力。我們用大數據賦能了雙11，賦能了我們自己的運營(yíng)能力。”
正是在2015年雙11之后，個(gè)性化推薦的故事開(kāi)始為人們津津樂(lè )道。
3、 個(gè)性化推薦再戰雙11
2015年雙11之后，個(gè)性化推薦團隊乘風(fēng)起航，繼續發(fā)力。正是這一年的持續發(fā)展，使得個(gè)性化推薦在2016年雙11中更進(jìn)一步，遍及無(wú)線(xiàn)端的各個(gè)場(chǎng)景。包括主會(huì )場(chǎng)在內的幾乎全部活動(dòng)會(huì )場(chǎng)、產(chǎn)品都實(shí)現了個(gè)性化算法投放。個(gè)性化推薦團隊的代表作“海神”以及“魯班”（下圖為魯班批量生產(chǎn)的創(chuàng )意Banner）都是首次在雙11中亮相。
在2016年雙11中，面對更為復雜的個(gè)性化需求，樂(lè )田及工程師們將全面升級后的個(gè)性化推薦完美地展現在雙11主會(huì )場(chǎng)中。雖然2016年的雙11主會(huì )場(chǎng)與2015年的“天坑一號”主會(huì )場(chǎng)極其相似，但這一次個(gè)性化推薦產(chǎn)品做得更為精細了。其中，GBDT+FTRL、Wide & Deep Learning和AdaptiveLearning這三項最前沿的機器學(xué)習技術(shù)被應用到了主會(huì )場(chǎng)的三層結構中，極大地提升了在線(xiàn)模型的效果及實(shí)時(shí)預測的效率。
除了常規的個(gè)性化推薦之外，我們在2016年雙11開(kāi)始嘗試融合商家流量分配的個(gè)性化推薦。逍遙子在2015年雙11總結中提到：“我們還要更上一層樓，利用大數據賦能給所有的商家，幫助他們運營(yíng)好消費者，這樣才能讓我們在大數據時(shí)代踐行‘讓天下沒(méi)有難做的生意’的使命。”隨著(zhù)個(gè)性化場(chǎng)景的不斷升級，商家很多時(shí)候都對流量的波動(dòng)束手無(wú)策。對那些有運營(yíng)能力的商家來(lái)說(shuō)，我們希望其通過(guò)更多優(yōu)質(zhì)的商品和優(yōu)秀的服務(wù)換來(lái)更多的流量或銷(xiāo)量上的部分確定性。因為推薦各場(chǎng)景大小不一、定位差異大，有導購類(lèi)場(chǎng)景、有成交類(lèi)場(chǎng)景等，我們需要根據場(chǎng)景本身的特性來(lái)進(jìn)行流量智能調控。因此，商家賦能個(gè)性化推薦系統 — Matrix應運而生。Matrix系統主要用于調節用戶(hù)體驗、賣(mài)家流量訴求和投資回報率、電商平臺健康度等方面的效用，平衡場(chǎng)景的短期收益和長(cháng)期收益。在2016年雙11中，Matrix在部分場(chǎng)景的上線(xiàn)為今后的賣(mài)家賦能積累了寶貴的經(jīng)驗。
4、 個(gè)性化推薦的智能未來(lái)
個(gè)性化推薦從無(wú)到有，直到演進(jìn)成為CEO逍遙子口中的“電商基礎設施”，這一切來(lái)得極為不易。面對更具挑戰的未來(lái)，個(gè)性化推薦可以做得更好、更智能，而基于全局信息的個(gè)性化推薦將會(huì )是達成這一目標的重要途徑。
眾所周知，個(gè)性化推薦涉及多種不同層次、不同粒度的子任務(wù)。從推薦內容上來(lái)說(shuō)，個(gè)性化推薦分為商品推薦、店鋪推薦、品牌推薦、評論推薦等；從推薦目標上來(lái)說(shuō)，個(gè)性化推薦分為點(diǎn)擊率預測、轉化率預測、成交量預測等。雖然我們當前設計的個(gè)性化推薦算法在TPP上實(shí)現了流程一體化，但我們對每個(gè)推薦場(chǎng)景面臨的子問(wèn)題卻是單獨建模的。如果能從全局的角度分析用戶(hù)的喜好，個(gè)性化推薦必然能夠更上一層樓。
2016年，我們已經(jīng)通過(guò)深度強化學(xué)習（Deep Reinforcement Learning）技術(shù)對全局信息共享下基于多任務(wù)學(xué)習 ?。∕ulti-task Learning）的個(gè)性化推薦進(jìn)行了初步探索。從數據流通鏈路來(lái)看（比如下圖所示的手淘場(chǎng)景數據流通圖），我們可以很自然地將全鏈路多場(chǎng)景的推薦任務(wù)理解為推薦系統面向用戶(hù)的連續決策過(guò)程。隨著(zhù)用戶(hù)對不同推薦場(chǎng)景的持續瀏覽和交互，推薦系統對于用戶(hù)實(shí)時(shí)需求和意圖的理解會(huì )越來(lái)越清晰，因此也可以更準確地為用戶(hù)推薦更為合適的內容。深度強化學(xué)習已經(jīng)在人工智能領(lǐng)域掀起了新的浪潮，這一技術(shù)必將成為個(gè)性化推薦智能化的最強武器。
大數據
5、 總結
個(gè)性化推薦所取得的成就是一個(gè)“意料之外卻情理之中”的結果。僅僅經(jīng)歷了短短幾年的時(shí)間，淘寶和天貓就從以人工運營(yíng)為主分配流量和資源位的方式成功轉變?yōu)橐源髷祿腿斯ぶ悄転閷虻男路绞?。與此同時(shí)，我們初步建立了人工經(jīng)驗與算法投放協(xié)同工作的機制。自2013年年底All-in無(wú)線(xiàn)以來(lái)的沉淀和積累終于逐步轉化成了果實(shí)。經(jīng)過(guò)不斷地積累和打磨，個(gè)性化推薦技術(shù)變得越發(fā)成熟和犀利，相信個(gè)性化推薦的未來(lái)會(huì )更好。
訪(fǎng)問(wèn)手機端更方便
技術(shù)創(chuàng )造價(jià)值 服務(wù)締造品牌
Copyright ? 2011-2024 鄭州開(kāi)拓者電子科技有限公司 All Rights Reserved
友情鏈接：
小程序開(kāi)發(fā)