2017-5-4 資深UI設(shè)計者
如果您想訂閱本博客內(nèi)容，每天自動發(fā)到您的郵箱中， 請點(diǎn)這里
小編說：個性化推薦技術(shù)直面用戶，可以說是站在最前線的那個。如今，從用戶打開手機(jī)淘寶客戶端（簡稱“手淘”）或是手機(jī)天貓客戶端（簡稱“貓客”）的那一刻起，個性化推薦技術(shù)就已經(jīng)啟動，為你我?guī)硪粓鰝€性化的購物之旅。本文將細(xì)數(shù)個性化推薦的一路風(fēng)雨，講講個性化推薦技術(shù)的演進(jìn)史。
無線個性化推薦起步于2013年10月?，F(xiàn)在往回看，當(dāng)時的阿里很好地把握住了移動端快速發(fā)展的浪潮，以集團(tuán)All-in無線的形式吹響了移動端戰(zhàn)斗的號角。個性化推薦團(tuán)隊(duì)也是從All-in無線這一事件中孵化的。我們從零開始搭建了個性化推薦算法體系及個性化算法平臺TPP。TPP這一個性化算法平臺對個性化推薦團(tuán)隊(duì)的成長起到了至關(guān)重要的作用?；赥PP，個性化算法團(tuán)隊(duì)成員們驗(yàn)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。僅僅花了不到兩個月的時間，個性化推薦的第一版算法就在“有好貨” 中初露鋒芒：結(jié)合基于主動學(xué)習(xí)的選品算法平臺TSP，個性化推薦團(tuán)隊(duì)一舉打造了“有好貨”針對高端人群的優(yōu)質(zhì)導(dǎo)購體驗(yàn)。
2014年，隨著個性化推薦算法團(tuán)隊(duì)對業(yè)務(wù)問題有了更好理解，以及技術(shù)研發(fā)的深入，我們逐步開發(fā)并上線了排序引擎RTP、標(biāo)簽探索算法PairTag及在線學(xué)習(xí)引擎Olive（如下圖所示）等多項(xiàng)核心技術(shù)。個性化推薦算法也因此被快速地應(yīng)用到“發(fā)現(xiàn)好店”、“愛逛街”、“猜你喜歡”及購物鏈路等手淘的各個主要場景中。其中，手淘底部的“猜你喜歡”商品瀑布流推薦是億萬用戶每天登錄手淘后必逛的場景，為人們搜尋和發(fā)掘自己喜好的商品提供了便捷的渠道?！安履阆矚g”也一舉成為中國電商中最大的推薦產(chǎn)品。
Olive流程圖
正是在All-in無線后的這一年，個性化推薦開始在阿里逐步成長起來。
2015年，個性化推薦第一次在雙11中大放異彩。還記得當(dāng)年9月中旬，我們正在維也納參加推薦系統(tǒng)最大的會議RecSys。逍遙子突然來電，告知在2015年雙11上要全面開啟個性化推薦，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(zhàn)經(jīng)驗(yàn)的實(shí)際問題。當(dāng)然，機(jī)會和風(fēng)險往往是并存的。面對挑戰(zhàn)，我們很快開始規(guī)劃進(jìn)程和分工?；氐胶贾葜螅瑘F(tuán)隊(duì)全員進(jìn)入備戰(zhàn)狀態(tài)，我們的努力在雙11當(dāng)天得到了回報。2015年11月12日凌晨，推薦算法團(tuán)隊(duì)、手淘及天貓的眾多小伙伴們并不覺得疲乏，大家的臉上都閃爍著喜悅。個性化推薦算法在雙11大放光芒，一個又一個令人瞠目的數(shù)字足以為證。個性化推薦的第一戰(zhàn)場“雙11主會場”更是自雙11開展多年以來首次達(dá)到了個位數(shù)的跳失率，其引導(dǎo)人數(shù)和人均引導(dǎo)頁面數(shù)都是前一年的2～3倍。不得不說，這些令人振奮的結(jié)果都要?dú)w功于之前兩年中個性化推薦在無線端的落地。
2015年雙11主會場個性化算法（即“天坑一號”，如下圖）包括三個層次：樓層順序個性化、樓層內(nèi)坑位個性化、坑位素材個性化。這三個層次自頂向下，在用戶體驗(yàn)上形成一套完整的方案。其中：
? 樓層順序個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(shù)碼等。
? 樓層內(nèi)坑位內(nèi)容個性化，使得在同一個樓層內(nèi)，不同用戶看到的商品或店鋪不同，比如同樣都是美食控，喜歡辣味的用戶可能看見麻辣牛肉干，喜歡甜味的用戶可能看見巧克力。
? 坑位內(nèi)容素材個性化，使得同一個樓層的同一個坑位，即便算法預(yù)測兩個用戶都需要巧克力，但一個喜歡費(fèi)列羅而另一個喜歡德芙，也會在入口圖上展示不同的品牌。
“天坑一號”個性化主會場示意圖
這三層個性化中涉及多策略推薦算法、排序?qū)W習(xí)、合圖等多項(xiàng)技術(shù)。整個項(xiàng)目的進(jìn)展用六個字來總結(jié)就是“時間緊任務(wù)重”。在多個團(tuán)隊(duì)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以來所積累的個性化推薦技術(shù)用于如此復(fù)雜的場景之中。
個性化推薦在“雙11主會場”取得成功的因素有很多。其中，最值得稱道的莫過于“首圖個性化”。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(xì)琢和個性化投放。這一改變極大地提升了用戶活躍度，并催生了2015年雙11主會場的個性化項(xiàng)目。該項(xiàng)目的成功上線成倍地降低了會場跳失率。更重要的是，個性化推薦為用戶帶來了全新的無線端購物體驗(yàn)，并且為阿里在電商領(lǐng)域的茁壯成長帶來了顯著的助力作用。個性化推薦算法團(tuán)隊(duì)因此榮獲2015年CEO特別貢獻(xiàn)獎。下面引用阿里巴巴CEO逍遙子嘉獎信里的一段話：“這次雙11的一大亮點(diǎn)是，我們基于大數(shù)據(jù)的無線產(chǎn)品和技術(shù)的創(chuàng)新，使得整個運(yùn)營效率有了大幅度提升。淘系的活躍用戶得到了充分的引導(dǎo)和互動，得到了大量個性化的展示和推薦，事實(shí)證明了大數(shù)據(jù)的巨大威力。我們用大數(shù)據(jù)賦能了雙11，賦能了我們自己的運(yùn)營能力?！?
正是在2015年雙11之后，個性化推薦的故事開始為人們津津樂道。
2015年雙11之后，個性化推薦團(tuán)隊(duì)乘風(fēng)起航，繼續(xù)發(fā)力。正是這一年的持續(xù)發(fā)展，使得個性化推薦在2016年雙11中更進(jìn)一步，遍及無線端的各個場景。包括主會場在內(nèi)的幾乎全部活動會場、產(chǎn)品都實(shí)現(xiàn)了個性化算法投放。個性化推薦團(tuán)隊(duì)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。
魯班批量生產(chǎn)的創(chuàng)意Banner
在2016年雙11中，面對更為復(fù)雜的個性化需求，樂田及工程師們將全面升級后的個性化推薦完美地展現(xiàn)在雙11主會場中。雖然2016年的雙11主會場與2015年的“天坑一號”主會場極其相似，但這一次個性化推薦產(chǎn)品做得更為精細(xì)了。其中，GBDT+FTRL、Wide & Deep Learning和AdaptiveLearning這三項(xiàng)最前沿的機(jī)器學(xué)習(xí)技術(shù)被應(yīng)用到了主會場的三層結(jié)構(gòu)中，極大地提升了在線模型的效果及實(shí)時預(yù)測的效率。
除了常規(guī)的個性化推薦之外，我們在2016年雙11開始嘗試融合商家流量分配的個性化推薦。逍遙子在2015年雙11總結(jié)中提到：“我們還要更上
一層樓，利用大數(shù)據(jù)賦能給所有的商家，幫助他們運(yùn)營好消費(fèi)者，這樣才能讓我們在大數(shù)據(jù)時代踐行‘讓天下沒有難做的生意’的使命。”隨著個性化場景的不斷升級，商家很多時候都對流量的波動束手無策。對那些有運(yùn)營能力的商家來說，我們希望其通過更多優(yōu)質(zhì)的商品和優(yōu)秀的服務(wù)換來更多的流量或銷量上的部分確定性。因?yàn)橥扑]各場景大小不一、定位差異大，有導(dǎo)購類場景、有成交類場景等，我們需要根據(jù)場景本身的特性來進(jìn)行流量智能調(diào)控。因此，商家賦能個性化推薦系統(tǒng) — Matrix應(yīng)運(yùn)而生。Matrix系統(tǒng)主要用于調(diào)節(jié)用戶體驗(yàn)、賣家流量訴求和投資回報率、電商平臺健康度等方面的效用，平衡場景的短期收益和長期收益。在2016年雙11中，Matrix在部分場景的上線為今后的賣家賦能積累了寶貴的經(jīng)驗(yàn)。
賦能商家的Matrix系統(tǒng)流程圖
個性化推薦從無到有，直到演進(jìn)成為CEO逍遙子口中的“電商基礎(chǔ)設(shè)施”，這一切來得極為不易。面對更具挑戰(zhàn)的未來，個性化推薦可以做得更好、更智能，而基于全局信息的個性化推薦將會是達(dá)成這一目標(biāo)的重要途徑。
眾所周知，個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(nèi)容上來說，個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(biāo)上來說，個性化推薦分為點(diǎn)擊率預(yù)測、轉(zhuǎn)化率預(yù)測、成交量預(yù)測等。雖然我們當(dāng)前設(shè)計的個性化推薦算法在TPP上實(shí)現(xiàn)了流程一體化，但我們對每個推薦場景面臨的子問題卻是單獨(dú)建模的。如果能從全局的角度分析用戶的喜好，個性化推薦必然能夠更上一層樓。
2016年，我們已經(jīng)通過深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning）技術(shù)對全局信息共享下基于多任務(wù)學(xué)習(xí)（Multi-task Learning）的個性化推薦進(jìn)行了初步探索。從數(shù)據(jù)流通鏈路來看（比如下圖所示的手淘場景數(shù)據(jù)流通圖），我們可以很自然地將全鏈路多場景的推薦任務(wù)理解為推薦系統(tǒng)面向用戶的連續(xù)決策過程。隨著用戶對不同推薦場景的持續(xù)瀏覽和交互，推薦系統(tǒng)對于用戶實(shí)時需求和意圖的理解會越來越清晰，因此也可以更準(zhǔn)確地為用戶推薦更為合適的內(nèi)容。深度強(qiáng)化學(xué)習(xí)已經(jīng)在人工智能領(lǐng)域掀起了新的浪潮，這一技術(shù)必將成為個性化推薦智能化的最強(qiáng)武器。
手淘場景數(shù)據(jù)流通圖
個性化推薦所取得的成就是一個“意料之外卻情理之中”的結(jié)果。僅僅經(jīng)歷了短短幾年的時間，淘寶和天貓就從以人工運(yùn)營為主分配流量和資源位的方式成功轉(zhuǎn)變?yōu)橐源髷?shù)據(jù)和人工智能為導(dǎo)向的新方式。與此同時，我們初步建立了人工經(jīng)驗(yàn)與算法投放協(xié)同工作的機(jī)制。自2013年年底All-in無線以來的沉淀和積累終于逐步轉(zhuǎn)化成了果實(shí)。經(jīng)過不斷地積累和打磨，個性化推薦技術(shù)變得越發(fā)成熟和犀利，相信個性化推薦的未來會更好。
藍(lán)藍(lán)設(shè)計( tweetduck.com )是一家專注而深入的界面設(shè)計公司，為期望卓越的國內(nèi)外企業(yè)提供卓越的UI界面設(shè)計、BS界面設(shè)計 、 cs界面設(shè)計 、 ipad界面設(shè)計 、 包裝設(shè)計 、 圖標(biāo)定制 、 用戶體驗(yàn) 、交互設(shè)計、 網(wǎng)站建設(shè) 、平面設(shè)計服務(wù)
藍(lán)藍(lán)設(shè)計的小編 http://tweetduck.com