論文鏈接：https://arxiv.org/abs/1707.08113

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

為解決***個問題，我們進行「購物搭配」場景的推薦。購物搭配場景推送一個和用戶已購買商品的搭配商品，比如當用戶買了高級茶壺后對上好茶葉進行推送（下圖第二個推送信息）。購物搭配的好處是文案中可以透出用戶已購商品，消息可以和用戶建立強烈的 attachment，提升消息打開率。

為尋找搭配商品對，我們定義如下兩個指標：

1）同時購買分數(shù)（Co-Purchase Graph）

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

***個指標衡量了兩個商品之間的互補性（complementarity），第二個指標衡量了兩個商品的替代性（substitutivity）。購物搭配場景下，我們希望尋找高互補性、低替代性的商品對進行推薦。因此，我們把商品對「搭配性」的得分定義為：

這個分數(shù)是我們推薦模型中的一個重要特征。

為了解決推薦準確性的問題。我們對用戶分層進行更細致的刻畫。我們的主要思想是基于用戶行為對用戶的向量表示（Embeddings）進行學習，然后我們用這些向量表示對用戶的行為進行預(yù)測。向量表示可以理解為對用戶在高維度的一個量化的抽象表示。

向量表示的好處是可以更精準，更靈活的對目標進行表達。舉個例子，我們對用戶的描述不僅僅局限于年齡、消費能力等人可以 Intuitively 容易想到的維度，人工智能可以自動從消費者數(shù)據(jù)中學習到更全面更抽象的維度，比如用戶對推薦平臺的依賴程度，用戶對選擇商品的創(chuàng)新性等。

用戶向量的學習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擊模型如下：

這個模型分為兩層，***層是隱層用來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。

第二層是點擊率預(yù)測模型。我們這里選擇了一個二維邏輯回歸模型。不過可以很容易的擴展使用深度神經(jīng)網(wǎng)絡(luò)。

我們要在已知用戶特征和點擊數(shù)據(jù)的條件下估計模型參數(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)我們對參數(shù)進行迭代優(yōu)化如下：

上面兩個更新很容易通過 Gradient Decent 方法求解。

下圖是我們對求解模型的一個解釋。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的推薦，更喜歡平臺選擇的搭配性好的商品，預(yù)測模型權(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。

目前該工作在線上取得了不錯的效果，購物搭配的推送推薦場景上看到~50% 點擊率的提升。

更廣義地來講，這項技術(shù)給行業(yè)帶來的好處的是可以更精準和全面的刻畫用戶，進一步推廣可以用來描述商品、資訊、視頻等其他目標。該技術(shù)可以幫助使我們的營銷推薦更友好（了解用戶），同時從商業(yè)上提高轉(zhuǎn)化率（高點擊率）。