人工智能技術(shù)在電商搜索的落地應(yīng)用
2018-06-13 來源：
人工智能在電商的應(yīng)用
人工智能技術(shù)在電商中的基本應(yīng)用可以分為三個方面，分別是搜索、推薦和廣告，主要目的是為了讓顧客更加便捷的買到自己想要的商品。
電商的第一要務(wù)在于是否能夠利用自身的搜索、推薦、廣告平臺，讓顧客更加快速有效的購買一件商品。其次，相對于傳統(tǒng)平臺而言電商必須具備這一功能——發(fā)現(xiàn)，目的是幫助用戶找到他目前不太想買但仍存在潛在購買性的商品。
假設(shè)把電商購物與線下購物體驗進行對比，普通人在進行線下購物時，商家未必會把顧客心儀的產(chǎn)品擺在最外面，那么顧客就存在一定的不購買性且在很短時間內(nèi)離開購物中心。對購物中心而言，他們更希望顧客能停留盡可能多的時間，且在這段時間內(nèi)能光顧更多商家;作為用戶而言，雖然絕大多數(shù)用戶可能沒有在第一時間購買商品，但這并不妨礙這些用戶享受這樣的購物環(huán)境。如何將線下的購物場景運用到線上購物中?是目前的電商平臺所需要考慮的一個問題，也是對人工智能應(yīng)用而言一個相對巨大的挑戰(zhàn)。
電商人工智能技術(shù)與傳統(tǒng)領(lǐng)域的異同
就搜索應(yīng)用而言，電商搜索與普通搜索的最大區(qū)別在于購買流程的建模及發(fā)現(xiàn)流程的建模。普通的搜索模式更希望用戶盡可能在搜索頁面本身停留較短的時間，它更希望用戶只點擊搜索頁面的首頁，而非翻到第二頁第三頁。它將最相關(guān)的內(nèi)容放在首頁的前幾位的目的是為了讓用戶點擊首頁搜索結(jié)果后能夠快速離開，將用戶的這一操作過程控制在30秒甚至更短的時間內(nèi)。相反，它希望用戶能夠持續(xù)反復(fù)的進行這一搜索交互操作。電商搜索則與普通搜索有著很大的差別，在傳統(tǒng)搜索中最受重視的相關(guān)性并非電商搜索的全部，只是電商搜索的一方面而已。而電商搜索更需要關(guān)注總體利潤，能否通過搜索來產(chǎn)生效益。電商搜索的最終目的是提高用戶的購買訴求，其次是激發(fā)用戶的潛在購買欲望。因此，電商搜索相對于傳統(tǒng)搜索而言，多了“如何利潤最大化”、“如何激發(fā)用戶潛在購買欲”等維度。
就推薦應(yīng)用而言，目前的推薦系統(tǒng)已較為完善，也出現(xiàn)了許多推薦方案。但電商推薦與傳統(tǒng)推薦又有何不同?已有的推薦模型均基于Collaborative Filtering(協(xié)同過濾)，一般的Collaborative Filtering是通過用戶過去的行為對未來的行為進行預(yù)測推薦。以視頻網(wǎng)站為例，假設(shè)你在某個視頻網(wǎng)站上瀏覽過某部電影的第一季，這一視頻網(wǎng)站便會為你推薦這部電影的第二季、第三季。但如果在電商場景下，假設(shè)用戶已經(jīng)購買某一產(chǎn)品，而電商推薦系統(tǒng)繼續(xù)向你推薦相同產(chǎn)品時，就會暴露出這一系統(tǒng)的不智能性。因此，Collaborative Filtering技術(shù)對電商推薦而言是不恰當(dāng)?shù)�，需要根�?jù)電商的特殊屬性來對推薦系統(tǒng)做出大的調(diào)整。電商的最終目的是為了讓用戶購買商品，通過推薦的方式使用戶購買最大化商家的利潤，這需要在過去的推薦系統(tǒng)上增加更多元素。如庫存元素，假設(shè)商家把僅有少量庫存甚至庫存唯一的商品推薦給很多用戶，一旦商品售出就會使得其他用戶有較差的使用體驗。如何利用庫存來做到比較好的交互體驗是電商搜索需要關(guān)心的一個內(nèi)容。
就廣告應(yīng)用而言，電商的廣告系統(tǒng)是雙信息坊系統(tǒng)。對于賣家而言，更希望通過廣告費用使得自己的商品出現(xiàn)在搜索頁面的前幾位。對于平臺而言，通過幫助賣家獲取更多的點擊量來收取一定費用。對于買家而言，即使搜索頁面的前幾位是廣告位，也不會使用戶產(chǎn)生反感，因為買家的最終目的是買到適合自己的產(chǎn)品。在這一層面，就存在買家、賣家、平臺之間的三方博弈，而這三方很明顯有三個不同的優(yōu)化目標(biāo)，因此需要針對這三個不同的目標(biāo)函數(shù)進行優(yōu)化。賣家希望用最少的錢打到最好的效果;買家希望買到最好的東西;平臺則希望在這個交易過程中利益最大化。如何將三種不同訴求的目標(biāo)統(tǒng)一在同一建模中，這對于電商廣告系統(tǒng)而言又是一大挑戰(zhàn)。
電商搜索有別于傳統(tǒng)搜索，不管是在搜索、推薦領(lǐng)域還是廣告領(lǐng)域，基本都屬于一個未知的領(lǐng)域，這其中的核心在于兩個任務(wù)，一是如何衡量評價所做的事情是否正在優(yōu)化你的目標(biāo);二是如何優(yōu)化貫穿搜索、推薦及廣告之間的關(guān)系。
電商搜索的優(yōu)化案例
以優(yōu)化GMV(搜索產(chǎn)生的利潤)為案例作為分享，它將搜索相關(guān)性與利潤相掛鉤。何為GMV?
GMV是在搜索過程中所能衡量的期望利潤，針對每一個商品關(guān)鍵字，用戶存在一定購買概率。這一概率乘以商品本身的價格，再對所有的商品和所有的搜索繪畫進行加和，得出一個期望利潤，再將這一利潤最大化。目標(biāo)在于估計用戶究竟有多大可能購買一個商品，同時，這些商品也是價格較貴或是能讓商家從中賺取更多利潤的產(chǎn)品。有了這一目標(biāo)后，重新評估電商搜索領(lǐng)域用戶的決策行為，將這個決策行為進行簡化至兩個步驟，第一步是在搜索頁面輸入關(guān)鍵字后進行比較，在經(jīng)過比較后的排序結(jié)果里點擊某一結(jié)果，針對這個點擊結(jié)果進行建模。點擊結(jié)果后，頁面跳轉(zhuǎn)至下一頁面，進入第二個頁面后，用戶可以根據(jù)頁面內(nèi)容、商品價格等進行建模，以確定自己是否需要購買這一商品。
簡單來說，是將整個購買過程簡化成兩個步驟，一是選擇、二是決定;也將如何產(chǎn)生GMV分成兩個步驟，第一個步驟是從搜索頁面產(chǎn)生“點擊”的決策動作，二是從產(chǎn)品頁面進行“購買”的決策動作。
回到GMV公式中的購買概率，將這一概率拆成兩個部分，分別為點擊概率及基于點擊的購買概率。拆分后即可對兩個部分進行單獨建模。首先是點擊建模，點擊建模存在于搜索頁面的基礎(chǔ)之上，當(dāng)頁面呈現(xiàn)出一個搜索結(jié)果后再啟動點擊。這一部分存在可直接借鑒的模型——Learning to Rank(學(xué)習(xí)排序)，兩者最大的區(qū)別僅在于傳統(tǒng)的Learning to rank是從用戶的相關(guān)度來學(xué)習(xí)，或者是查詢關(guān)鍵字的相關(guān)度。這里僅需要將相關(guān)度在NDCG中從頁面相關(guān)程度標(biāo)簽轉(zhuǎn)化為點擊標(biāo)簽。下圖為NDCG的公式。
在這一公式中，未知數(shù)為Fc，這也是需要建模來表達的未知數(shù)(點擊概率)。通過深度網(wǎng)絡(luò)對點擊概率進行建模，這也是這一過程中的第一個步驟。
第二個步驟為二元決策，也就是當(dāng)用戶到達某一個產(chǎn)品的頁面時，所做出的“是否購買”的決策行為。運用logistic regression，學(xué)習(xí)logistic regression中的wp系數(shù)。
與標(biāo)準(zhǔn)二元決策的差異在于需要對logistic regression重新通過價格進行權(quán)重分類。從中可以看出，價格是決定用戶是否購買的重要因素，其中優(yōu)化目標(biāo)不再是相關(guān)度而是GMV。
從下圖的數(shù)據(jù)中可以看出，用戶的點擊存在商品位置的偏見。
排在前幾位的商品點擊率較高，這也是與傳統(tǒng)搜索相似之處，用戶希望他所預(yù)期的產(chǎn)品能夠排在相對靠前的位置，但這一基于位置的遞減點擊速率遠(yuǎn)遠(yuǎn)低于傳統(tǒng)搜索。
>標(biāo)簽： 電商 電商廣告 電商平臺 搜索 網(wǎng)絡(luò) 選擇
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
