基于概率隐层模型的购物搭配推送：阿里巴巴提出新型用户偏好预测模型

论文：Recommending Complementary Products in E-Commerce Push Notifications with a Mixture Model Approach

这篇文┞仿中，阿里研究者们对电商范畴营销推送场景进行了点击率的优化。营销推送场景和传统电商推荐场景有很多类似的处所，但也有所不合。起首，营销推送的点击率受案牍影响很大年夜，和用户直接相干的案牍的点击率会明显高于通用的推送案牍；其次，每次营销推送只有一个展示坑位，因为对推送商品的精确度请求更高。

为解决第一个问题，我们进行「购物搭配」场景的推荐。购物搭配场景推送一个和用户已购买商品的搭配商品，比如当用户买了高等茶壶后对上好茶叶进行推送（下图第二个推送信息）。购物搭配的好处是案牍中可以透出用户已购商品，消息可以和用户建立强烈的 attachment，晋升消息打开率。

推送信息

为寻找搭配商品对，我们定义如下两个指标：

1）同时购买分数（Co-Purchase Graph）

2) 看了又买分数（View-and-then-Purchase Graph）

第一个指标衡量岭两个商品之间的互补性（complementarity），第二个指标衡量岭两个商品的替代性（substitutivity）。购物搭配场景下，我们欲望寻找高互补性、低替代性的商品对进行推荐。是以，我们把商品对「搭配性」的得分定义为：

论文链接：https://arxiv.org/abs/1707.08113

这个分数是我们推荐模型中的一个重要特点。

为懂得决推荐精确性的问题。我们对用户分层进行更过细的描述。我们的重要思惟是基于用户行动对用户的向量表示（Embeddings）进行进修，然后我们用这些向量表示对用户的行动进行猜测。向量表示可以懂得为对用户在高维度的一个量化的抽象表示。

向量表示的好处是可以更精准，更灵活的对目标进行表达。举个例子，我们对用户的描述不仅仅局限于年纪、花费才能等人可以 Intuitively 轻易想到的维度，人工智能可以主动大年夜花费者数据中进修到更周全更抽象的维度，比如用户对推荐平台的依附程度，用户对选择商品的立异性等。

用户向量的进修我们采取的是概率隐层模型（Probabilistic Latent Class Modeling）。起首我们定义用户点击模型如下：

这个模型分为两层，第一层是隐层用来描述用户在高维度下的分层，采取多维逻辑回归分类的情势。

第二层是点击率猜测模型。我们这里选择了一个二维逻辑回归模型。不过可以很轻易的扩大应用深度神经收集。

EM 算法须要先求解 Q 函数：

我们要在已知用户特点和点击数据的前提下估计模型参数。我们采取经典的 EM（Expectation-Maximization）算法。

为优化 Q 函数我们对参数进行迭代优化如下：

膳绫擎两个更新很轻易经由过程 Gradient Decent 办法求解。

下图是我们对求解模型的一个解释。我们发明高活泼用户加倍看中本身的偏向，猜测模型的权重在用户偏好类的特点中高（high model weights>

求解模型

今朝该工作在线上取得了不错的效不雅，购物搭配的推送推荐场景上看到~50% 点击率的晋升。

更广义地来讲，这项技巧给行业带来的好处的是可以更精准和周全的描述用户，进一步推广可以用来描述商品、资讯、视频等其他目标。该技巧可以赞助使我们的营销推荐更友爱（懂得用户），同时大年夜贸易上进步转化率（高点击率）。

【编辑推荐】

【义务编辑：张子龙 TEL：（010）68476606】

　　推荐阅读

　　人工智能用于网络安全的「能」与「不能」

肖煌认为，今后的病毒变种会越来越多，检测越来越难，范围越来越大年夜，生成的时光越来越短。若说以前几个月，最让网平易近惊魂不决的是什么，非以下这些病毒进击莫属。7 月，CopyCat 病>>>详细阅读

地址：http://www.17bianji.com/lsqh/36571.html