阿里电商大脑，比你更懂你

2016ATF阿里技术论坛于4月15日在清华大学举办，阿里巴巴搜索事业部资深总监、清华校友司罗，向我们讲述了如何构建电商大脑，让整个电商生态更加智能。比你更懂你，来源于在数据、计算与人工智能的完美结合。 

下面请看司罗的图文演讲。 

 

   

   司罗：我们阿里的业务刚才阿白讲，是环绕全球的，阿里的技术团队也是全球跨地域的，我们有来自各个地方的阿里同事一起用技术的力量，在阿里这个大舞台上为大家创造价值。很高兴回到我的母校清华大学，还深深记得我大学时的老师精彩的课堂讲解和教导，记得当时我们上人工智能的课，我们老师讲了一个案例非常有意思，用人工智能的方法来解释他的小孩如何学家乡话，这么多年过去了，他的小孩已经长成了大小伙，人工智能和大数据在社会生活方方面面也有巨大的应用和进步。 

  

   今天非常荣幸来到这里和大家分享大数据在阿里的应用。新的世纪是大数据的时代，我们把数据和算法看作生产资料和生产力的关系，如果没有智能算法，我们只能简单的累加数据，30年来，我们屡次见证了智能算法的力量，改变了人们对智能的认识，阿里巴巴在大数据上进行了非常多的创新。阿里电商的丰富场景提供了非常丰富的大数据，为我们创造了在大数据舞台上创造更多价值的机会。

 

我们可以认为电商的数据主要分为商家、商品、消费者和他们的关系，比如说商家，有着本身商品的上下架的数据，消费者有购买收藏，浏览商品等各种各样的行为。我们有非常丰富的电商数据，我们希望对这些数据能够进行深入的分析。

下面我举一个例子，分析数据我们发现，有些商品之间非常相关，如果我们看到数据说有人购买广场舞鞋后再购买老花镜。那我们对于所有购买老花镜的人推荐老花镜，大家觉得这样会有好的效果吗？实际情况不是这么简单，我们发现有的购买广场舞鞋的人他们的目的并不是自己持有，而是送人。比如说孩子给自己的母亲、或者送同事，所以说对所有购买广场舞鞋的人推荐老花镜是不合适的。精准的给50岁以上的中老年妇女推送是合适的，有好的效果。所以说数据有了，从数据中创造知识，算法深入分析数据是非常重要的。

  

个性化推荐是电商算法中一个非常重要的方法。第一，我们希望能够根据在线消费者的消费行为发现即时有效精确的信息，我们要抓住时尚潮流。同时我们也根据消费者个体、消费者画像，能够提供有针对性的商品，两个例子可以涵盖两方面的目的，在2015年 “ 双十一 ” 的过程中，阿里内部在运用了个性化的方法，让每个消费者看到了不同的主会场，大大提升了用户的消费者的点击率，其中点击率提升50%以上，证明了智能算法的价值。

  

我们所做的个性化算法，我们希望通过在线学习抓住消费者的心理，我们知道电商有各种各样的频道，有各种各样的行业，比如说天猫超市或者阿里汽车等等，原有的推荐很多都是人工来控制的，但是我们发现在实际的工作中，这种简单的设计是不全面的。比如说在下午2点钟左右是主妇消费群体，晚上8点钟左右是下班白领消费群体。所以说我们需要对不同的消费群体进行分析。我们的目的是从不确定中寻找规律。比如有一个赌客，来到赌场里尝试了一些赌博机。要最大化收益，他既希望把钱花到已经尝试的收益好的赌博机上，也希望尝试新的可能带来更好收益的赌博机。

 

在实际的应用中，每一个应用都有它自己的特色，比如说在电商领域，我们知道一个商家的连衣裙是非常热销的，我们也预估同个店铺的一个连衣裙新品可能热销。我们设计了HierarchicalContextual Banding Learning算法。我们说的这个算法，去年在阿里一个每天有上千万的流量的频道上线，每天能多产生近千万级的销售额，这里可以清晰的看到算法的力量。

 

那么第二个实例是手淘无线推送，无线推送就是在用户没有打开app的情况下，也能够推送信息主动触达用户。无线推送是一种非常重要的引流工具，我们的目的是希望在准确的时间向准确的用户发送准确的消息。我们把用户带到手机淘宝，这样的话可以提高用户浏览率的目的。这是我们去年时候的给一个用户推送一个分味小吃的食品的例子。手淘推送是一个非常重要的功能，它原有的工作方式是人工加简单规则，比如说阿里汽车等等，他们都希望自己的活动能够送达适合的人群，但是每个业务方他们由于受到资源的限制，他们无法精确计算适当的人群。而且我们希望一个用户只收到一个信息。所以原来简单人工的方法就是哪个业务方的活动先发，哪个活动拿到用户，这种方式造成资源浪费，无法进行更好的最大化全局利益(如总打开数)。我们做个性化的方法，能够根据消费者在阿里全网的信息，能够准确的分配各种活动到相应的用户，这种算法很大程度上提高了消费者的整体推送打开数。

  

下面我们讲一些有关模型方法的内容，它的目的是对于一系列的活动，希望把这些活动分配给消费者，能够把消费者最感兴趣的一个活动，仅仅一个活动能够送达到这个消费者，所以如果我们把这个弄成数学模型，那么我们在这个活动中，表示着我们究竟应该向什么样的用户发送什么样的信息。

 

我们的目标是希望最大化整体打开数，同时我们还有各种各样的方式来保证，活动应该选到适当的人群，也不要超过太多的人数。当然我们还要保证用户收到的是仅有一个的活动。我们通过优化的方式来实现，非常有效的帮助引流人群的需求，以及全局利益最大化的目的。

 

消息推送本身也是非常丰富的应用，一个方式是把图片加入消息推送中，一个信息本身包含了文字的信息，又包含了图片的信息，我们在算法上对于图片和图，文字的内容进行了联合建模，能够提升用户的体验，打开率可以提高推送10%—20%。

还有一个就是基于地理位置信息的推送，我们从两个方式达到这个目的，一个是长时的LBS信息建模，还有一个就是更进一步的即时的LBS信息建模，比如说在一个商圈附近，我们知道这个消费者在线上对一个品牌感兴趣，如果刚好这个商圈附近一个线下的店铺做这个品牌推广，我们就把相应的信息推送给消费者，这样就形成消费者和信息的匹配。所以我们会做到更精准的推送，这样会比推送线上商品收到更精准的效果。

  最后一个我简单介绍一下，我们现在做的一个创新项目，淘宝头条，如果大家使用手机淘宝，你会发现有一个淘宝头条的栏目，淘宝头条的栏目是定位在生活消费资讯平台，能够更好的吸引消费者，提升消费者体验。

那么淘宝头条目的是为了让消费者看到该看的信息，找出消费者该看的想看的头条，同时我们也希望反向预估特定的人群他们所希望看到的信息，这样的话达到创造明日头条的目的。

下面一个关于算法的例子验证了多视角算法在阿里电商方面的运用。我们有一个同事刚生了小孩，一两个月的小孩得了比较重的过敏症，所以说医生嘱咐就要买比较柔软的浴巾，他在手淘上购买了非常柔软的纱布浴巾。下一次他登陆手淘时，头条就给他推荐了“过敏宝宝添加辅食，必须注意这5点”的头条内容。以前他并没有搜索或用其他方式表示小孩过敏的情况，可是算法的力量能够给他提供他需要看，也是想看的内容，这是怎么达到的呢？

是因为我们的算法能够精确的发现，购买行为和浏览之间的关系，我们发现有很多的用户，他们购买了像全棉浴巾这样的东西，我们发现他们对小孩过敏的资讯感兴趣，我们把购买行为和阅读行为进行精准的连接。

 

我们头条算法经过了多次的迭代，小步快跑，最开始的算法只是把头条内商品的ID罗列出来来连接消费者。但很多头条没有的商品ID，我们只能通过这些内容信息更好的连接头条和消费者。同时我们也实现了在线学习的功能，用来提升用户体验。这些算法的效果是非常明显的，我们淘宝头条UV大约一年左右的时间增长到原来的4倍，非常显著。能够为消费者创造更多有趣，有意思的头条，同时也能产生更多，更大的商业价值。

 上面我只是介绍了三个的例子，整个阿里的电商算法应用是非常广泛的.希望以后有机会和各位老师同学多合作。 

  

  阿里搜索事业部求贤若渴，请联系 luo.si@alibaba-inc.com。