確率的隠れ層モデルに基づくショッピングペアリングプッシュ：アリババが新しいユーザー嗜好予測モデルを提案

論文リンク: https://arxiv.org/abs/1707.08113

この記事では、Alibaba の研究者が、電子商取引分野におけるマーケティング プッシュ シナリオのクリックスルー率を最適化しました。マーケティング プッシュ シナリオと従来の e コマース推奨シナリオには多くの類似点がありますが、違いもあります。まず、マーケティング プッシュのクリック率はコピーに大きく左右されます。ユーザーに直接関係のあるコピーのクリック率は、一般的なプッシュ コピーのクリック率よりも大幅に高くなります。次に、プッシュされる製品にはより高い精度が求められるため、各マーケティング プッシュには表示スロットが 1 つしかありません。

最初の問題を解決するには、「ショッピングマッチング」シナリオをお勧めします。ショッピングマッチングのシナリオでは、マッチングした商品がユーザーにプッシュされます。例えば、ユーザーが高級ティーポットを購入した後、高級なお茶のペアがプッシュされます（下の図の2番目のプッシュ情報）。ショッピングペアリングの利点は、コピーによってユーザーが購入した商品を明らかにすることができ、メッセージによってユーザーとの強い結びつきを確立できるため、メッセージの開封率が向上することです。

一致する製品ペアを見つけるために、次の 2 つのインジケーターを定義します。

1) 共同購入グラフ

2) 閲覧してから購入するグラフ

最初の指標は 2 つの商品間の補完性を測定し、2 番目の指標は 2 つの商品間の代替性を測定します。ショッピングマッチングのシナリオでは、推奨のために、補完性が高く代替性が低い製品ペアを見つけることを期待しています。したがって、製品ペアの「互換性」スコアを次のように定義します。

このスコアは、当社の推奨モデルにおける重要な機能です。

推奨精度の問題を解決するため。ユーザーの階層化のより詳細な特徴を提供します。私たちの主なアイデアは、ユーザーの行動に基づいてユーザーのベクトル表現（埋め込み）を学習し、これらのベクトル表現を使用してユーザーの行動を予測することです。ベクトル表現は、高次元におけるユーザーの定量的な抽象表現として理解できます。

ベクトル表現の利点は、対象をより正確かつ柔軟に表現できることです。たとえば、ユーザーの説明は、年齢や購買力など、人が直感的に思いつく次元に限定されません。人工知能は、ユーザーの推奨プラットフォームへの依存度や製品選択におけるユーザーの革新性など、より包括的で抽象的な次元を消費者データから自動的に学習できます。

ユーザーベクトルを学習するために、確率的潜在クラスモデリングを使用します。まず、ユーザークリックモデルを次のように定義します。

このモデルは 2 つの層に分かれています。最初の層は、多次元ロジスティック回帰分類を使用して、高次元でユーザーの階層化を特徴付けるために使用される隠し層です。

2 番目のレイヤーはクリック率予測モデルです。ここでは2次元ロジスティック回帰モデルを選択しました。ただし、ディープ ニューラル ネットワークを使用するように簡単に拡張できます。

既知のユーザー特性とクリック データに基づいてモデル パラメータを推定する必要があります。私たちは古典的な EM (期待最大化) アルゴリズムを使用します。

EM アルゴリズムでは、まず Q 関数を解く必要があります。

Q 関数を最適化するには、次のようにパラメータを繰り返し最適化します。

上記の 2 つの更新は、勾配降下法を使用して簡単に解決できます。

下の図はソリューション モデルの説明です。アクティブ度の高いユーザーは自分の好みにもっと注意を払っており、予測モデルの重みはユーザー嗜好機能に高くなっています（ユーザー嗜好機能に対するモデルの重みが高い）。一方、アクティブ度の低いユーザーはプラットフォームの推奨にもっと依存しており、プラットフォームが選択した互換性の高い製品を好む傾向があり、予測モデルの重みは製品互換性機能の重みに高くなっています（ に対するモデルの重みが高い）。これは、ディープユーザーは製品の選択においてより自立しているのに対し、初心者はプラットフォームに大きく依存しているため、直感的に理解できます。

現在、この研究はオンラインで良好な結果を達成しており、ショッピングの組み合わせのプッシュ推奨シナリオでクリックスルー率が約 50% 増加しました。

もっと広く言えば、このテクノロジーが業界にもたらすメリットは、ユーザーをより正確かつ包括的に特徴付けることができること、そして製品、情報、ビデオなどの他の目標を説明するためにさらに推進できることです。このテクノロジーは、マーケティングの推奨事項をより親しみやすくする（ユーザーを理解する）と同時に、商業的にコンバージョン率を向上させる（クリックスルー率を高める）のに役立ちます。