【数据应用案例】阿里巴巴基于改进注意力循环控制门的品牌个性化排序系统

案例来源：@阿里技术

案例地址：https://mp.weixin.qq.com/s/pA1SSEnwC884LBZGiH3jhg

 

1. 背景：一些用户对品牌有偏好，但是目前天猫的排序系统是将品牌混杂着推给用户的，不能满足品牌偏好用户的需求

 

2. 目标：设计一个品牌排序系统，按照用户偏好的品牌顺序向用户推荐商品（如用户搜索词是jeans）

 

3. 特征工程

    1）价格：

        a. 将目标品类商品按照价格排序，划分为7个区间

        b. 给定一个品牌，统计品牌在每个价格区间内最重要的8个电子商务特征

        c. 相乘后得到56维的价格特征

    2）品牌：传统是采用onehot编码，但如果两个品牌相似，onehot就遗漏了品牌相似的信息。因此采用如下方法：

        a.

        b. 得到品牌的嵌入式表示

（可以这么理解嵌入式表示：

            i1. 启发式表示+精调：vk是启发式的；通过训练数据，我们对品牌信息进行精调；

            i2. 先验信息+后验修正：vk是基于品牌的先验知识得到的，而我们根据品牌训练数据中的后验信息进行修正；

            i3. 内容信息+协同信息：vk是内容信息，M*o引入了用户行为的协同信息）

    3）品牌-行为交互：由于用户行为类型有很多种（点击、收藏、购买），对每种行为类型进行onehot编码，然后通过矩阵相乘的形式得到特征

 

4. 分类器：改进的Attention-GRU（注意力机制-门控-RNN）

 

5. 效果评估：

    1）离线评估：

        a. 取每个用户最近11个行为，前10个行为作为训练集，第11个行为点击的品牌作为正label，然后随机生成一个品牌作为负label

        b. 训练模型并检验

 

    2）在线评估：

        a. 取部分在线用户，在搜索结果页增加“brand”按钮，点击后可以切换为本文品牌排序结果

        b. 对比没点击“brand”用户和点击“brand”用户的CTR、ATIP、GMV，GMV提升了3.4%

【这里有个问题，点击了“brand”的用户是已经对品牌有偏好的用户，所以两类人群是不同的。一般而言，品牌偏好更强的用户，消费能力越高，因此GMV自然也比较高。】