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

作者: 机器之心 2017-08-07 11:09:19
论文:Recommending Complementary Products in E-Commerce Push Notifications with a Mixture Model Approach 

论文

论文链接:https://arxiv.org/abs/1707.08113

这篇文章中,阿里研究者们对电商领域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地方,但也有所不同。首先,营销推送的点击率受文案影响很大,和用户直接相关的文案的点击率会明显高于通用的推送文案;其次,每次营销推送只有一个展示坑位,因为对推送商品的准确度要求更高。

为解决***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,比如当用户买了高级茶壶后对上好茶叶进行推送(下图第二个推送信息)。购物搭配的好处是文案中可以透出用户已购商品,消息可以和用户建立强烈的 attachment,提升消息打开率。

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)

***个指标衡量了两个商品之间的互补性(complementarity),第二个指标衡量了两个商品的替代性(substitutivity)。购物搭配场景下,我们希望寻找高互补性、低替代性的商品对进行推荐。因此,我们把商品对「搭配性」的得分定义为:

这个分数是我们推荐模型中的一个重要特征。

为了解决推荐准确性的问题。我们对用户分层进行更细致的刻画。我们的主要思想是基于用户行为对用户的向量表示(Embeddings)进行学习,然后我们用这些向量表示对用户的行为进行预测。向量表示可以理解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龄、消费能力等人可以 Intuitively 容易想到的维度,人工智能可以自动从消费者数据中学习到更全面更抽象的维度,比如用户对推荐平台的依赖程度,用户对选择商品的创新性等。

用户向量的学习我们采用的是概率隐层模型(Probabilistic Latent Class Modeling)。首先我们定义用户点击模型如下:

这个模型分为两层,***层是隐层用来刻画用户在高维度下的分层,采用多维逻辑回归分类的形式。

第二层是点击率预测模型。我们这里选择了一个二维逻辑回归模型。不过可以很容易的扩展使用深度神经网络。

我们要在已知用户特征和点击数据的条件下估计模型参数。我们采用经典的 EM(Expectation-Maximization)算法。

EM 算法需要先求解 Q 函数:

为优化 Q 函数我们对参数进行迭代优化如下:

上面两个更新很容易通过 Gradient Decent 方法求解。

下图是我们对求解模型的一个解释。我们发现高活跃用户更加看中自己的倾向,预测模型的权重在用户偏好类的特征中高(high model weights on user preference features);低活跃用户更加依赖于平台的推荐,更喜欢平台选择的搭配性好的商品,预测模型权重在商品搭配性的特征权重高 (high model weights on )。这可以直观的理解为深度用户在选择商品上更有自己主见,而新手更依赖于平台。

求解模型

目前该工作在线上取得了不错的效果,购物搭配的推送推荐场景上看到~50% 点击率的提升。

更广义地来讲,这项技术给行业带来的好处的是可以更精准和全面的刻画用户,进一步推广可以用来描述商品、资讯、视频等其他目标。该技术可以帮助使我们的营销推荐更友好(了解用户),同时从商业上提高转化率(高点击率)。

机器学习 用户推荐 转化率
上一篇:机器学习填坑:你知道模型参数和超参数之间的区别吗? 下一篇:免费公开课-人工智能●如何实现和机器人对话?
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

手把手教你解决90%的NLP问题

利用机器学习方法来理解和利用文本,从最简单的到state-of-the-art,由浅入深,循序渐进。

Emmanuel Ameisen ·  19h前
如何解决机器学习树集成模型的解释性问题

前些天在同行交流群里,有个话题一直在群里热烈地讨论,那就是 如何解释机器学习模型 ,因为在风控领域,一个模型如果不能得到很好的解释一般都不会被通过的,在银行里会特别的常见,所以大多数同行都是会用 LR 来建模。

SAMshare ·  23h前
刷脸取件被小学生“破解”!丰巢紧急下线 精选

近日,#小学生发现刷脸取件bug#的话题引发关注!这是真的吗?都市快报《好奇实验室》进行了验证。

好奇实验室 ·  2019-10-17 10:20:39
4 分钟!OpenAI 的机器手学会单手解魔方了,完全自学无需编程 精选

OpenAI 的机器手学会单手解魔方了,而且还原一个三阶魔方全程只花了 4 分钟,其灵巧程度让人自叹不如。

佚名 ·  2019-10-16 13:52:13
MIT新研究表明机器学习不能标记假新闻

麻省理工学院研究人员发表的两篇新论文显示,当前的机器学习模型还不能完成区分虚假新闻报道的任务。在不同的研究人员表明计算机可以令人信服地生成虚构新闻故事而无需太多人为监督之后,一些专家希望可以训练基于相同机器学习的系统来检测此类新闻。

佚名 ·  2019-10-16 11:52:15
高位截瘫患者重新行走:靠意念指挥外骨骼,法国脑机接口新突破 精选

依靠介入头部的 2 个传感器,法国里昂的一名瘫痪男子 Thibault 实现了操控外骨骼装备来助力行走。

孙滔 ·  2019-10-15 10:10:00
2008 年预测 2020 年生活方式:基本都实现了

美国皮尤研究中心曾在 2008 年预测 2020 年的生活方式,目前来看,该研究的预测基本已经实现。而对于未来 10 年,也就是 2030 年左右人们的生活,在 2017 年底的世界经济论坛上,800 多名信息和通讯技术领域的技术高管和专家给出了如下预测。

佚名 ·  2019-10-15 10:03:43
机器学习的正则化是什么意思?

正则化的好处是当特征很多时,每一个特征都会对预测y贡献一份合适的力量;所以说,使用正则化的目的就是为了防止过拟合。

佚名 ·  2019-10-15 10:01:43
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载