電子商取引検索における人工知能技術の応用

常に注目度の高い人工知能分野に関連するアプリケーションは、常に大きな注目を集めています。人工知能は電子商取引の検索分野でどのような役割を果たしているのでしょうか。EtsyのデータサイエンスディレクターのHong Liangjie氏は、事例に基づいて、電子商取引における人工知能技術の基本的な応用、電子商取引の人工知能技術と従来の分野との類似点と相違点から始め、「電子商取引の検索における人工知能技術の実用化」というテーマで実践的な共有を皆にもたらしました。

電子商取引における人工知能の応用

電子商取引における人工知能技術の基本的な応用は、検索、推奨、広告の3つの側面に分けられます。主な目的は、顧客が希望する製品をより便利に購入できるようにすることです。

電子商取引の最も重要なタスクは、独自の検索、推奨、広告プラットフォームを使用して、顧客がより迅速かつ効率的に製品を購入できるようにすることです。第二に、従来のプラットフォームと比較して、電子商取引には、ユーザーが現時点では購入したくないが、まだ購入する可能性のある製品を見つけるのを支援することを目的とした発見機能が必要です。

電子商取引のショッピングとオフラインのショッピング体験を比較すると、一般の人がオフラインで買い物をする場合、商店主は顧客が好む商品を外に置いていない可能性があるため、顧客はある程度の不購入を経験し、非常に短い時間でショッピングモールを離れてしまいます。ショッピングモール側としては、この期間中に顧客ができるだけ長く滞在し、より多くの店舗を訪問できることを期待しています。一方、利用者側としては、ほとんどの利用者が適切なタイミングで商品を購入できないとしても、このようなショッピング環境を楽しむことを妨げるものではありません。オフラインショッピングのシナリオをオンラインショッピングにどのように適用するか？これは、現在の電子商取引プラットフォームが考慮する必要がある問題であり、人工知能の応用にとっても比較的大きな課題です。

電子商取引の人工知能技術と従来の分野との類似点と相違点

検索アプリケーションに関する限り、電子商取引検索と一般的な検索の最大の違いは、購入プロセスのモデリングと発見プロセスのモデリングにあります。通常の検索モードでは、ユーザーが検索ページにできるだけ短時間滞在することが望まれます。ユーザーが 2 ページ目や 3 ページ目に移動するのではなく、検索ページのホームページのみをクリックすることが望まれます。最も関連性の高いコンテンツをホームページの最初の数か所に配置する目的は、ユーザーがホームページの検索結果をクリックした後にすぐに離脱できるようにし、ユーザーの操作プロセスを 30 秒以内、あるいはそれよりも短い時間で制御できるようにすることです。

代わりに、ユーザーがこの検索操作を繰り返し実行し続けることを期待しています。電子商取引の検索は、通常の検索とは大きく異なります。従来の検索で最も重視される関連性は、電子商取引の検索全体ではなく、電子商取引の検索の 1 つの側面のみです。電子商取引の検索では、全体的な利益と、検索を通じて利益を生み出すことができるかどうかにもっと注意を払う必要があります。電子商取引検索の最終的な目標は、ユーザーの購買需要を高め、次にユーザーの潜在的な購買欲求を刺激することです。したがって、従来の検索と比較して、電子商取引の検索には、「利益を最大化する方法」や「ユーザーの潜在的な購買意欲を刺激する方法」などの追加の側面があります。

推奨アプリケーションに関しては、現在の推奨システムは比較的完成しており、多くの推奨ソリューションが登場しています。しかし、eコマースの推奨と従来の推奨の違いは何でしょうか? 既存の推奨モデルはすべて、協調フィルタリングに基づいています。一般的に、協調フィルタリングは、ユーザーの過去の行動に基づいて将来の行動を予測して推奨します。動画ウェブサイトを例に挙げると、ある動画ウェブサイトで映画の第 1 シーズンを閲覧した場合、その動画ウェブサイトは映画の第 2 シーズンと第 3 シーズンを推奨します。

ただし、電子商取引のシナリオでは、ユーザーがすでに製品を購入しているにもかかわらず、電子商取引の推奨システムが引き続き同じ製品を推奨すると、このシステムの無知さが露呈します。したがって、協調フィルタリング技術は電子商取引の推奨には不適切であり、電子商取引の特殊な属性に基づいて推奨システムに大幅な調整を加える必要があります。電子商取引の究極の目標は、ユーザーに商品を購入してもらい、推奨を通じてユーザーに購入してもらうことで販売者の利益を最大化することです。そのためには、従来の推奨システムにさらに多くの要素を追加する必要があります。たとえば、在庫要素では、販売者が在庫数が少ない製品や在庫が唯一の製品を多くのユーザーに推奨した場合、その製品が販売されると、他のユーザーのユーザー エクスペリエンスは低下します。在庫をどのように活用してより優れたインタラクティブなエクスペリエンスを実現するかは、eコマース検索が注意を払う必要がある点です。

広告アプリケーションの観点から見ると、電子商取引の広告システムは二重情報システムです。販売者は、広告料を使って自社製品を検索ページの上部に表示させることを好みます。プラットフォーム側は、売り手がより多くのクリックを獲得できるように支援することで、一定の手数料を請求します。購入者にとっては、検索ページの最初の数か所が広告スペースであったとしても、ユーザーに不快感を与えることはありません。なぜなら、購入者の最終的な目的は、自分に合った商品を購入することだからです。

このレベルでは、買い手、売り手、プラットフォームの間で三者ゲームが行われており、これら三者は明らかに 3 つの異なる最適化目標を持っているため、これら 3 つの異なる目的関数を最適化する必要があります。売り手は最小限の金額で最高の結果を達成することを望み、買い手は最高のものを購入することを望み、プラットフォームは取引プロセスで利益を最大化することを望みます。 3 つの異なる目標を同じモデルで統合する方法は、電子商取引広告システムにとってもう 1 つの大きな課題です。

電子商取引の検索は、従来の検索とは異なります。検索、推奨、広告のいずれの分野であっても、基本的には未知の分野です。その核心は 2 つのタスクにあります。1 つは、自分が行っていることが目標の最適化になっているかどうかを測定および評価する方法です。もう 1 つは、検索、推奨、広告の関係を最適化する方法です。

電子商取引の検索最適化事例

GMV（検索によって生み出される利益）の最適化をケーススタディとして取り上げ、検索の関連性と利益を結び付けます。 GMVとは何ですか?

GMV は、検索プロセス中に測定できる予想利益です。各商品キーワードには、ユーザーの購入確率が一定に存在します。この確率に商品自体の価格を掛け、すべての商品とすべての検索図を合計して予想利益を算出し、最大化します。目標は、ユーザーが製品を購入する可能性を推定することです。同時に、これらの製品はより高価であったり、販売者がより多くの利益を上げたりすることもできます。この目標を念頭に、私たちは電子商取引の検索分野におけるユーザーの意思決定行動を再評価し、それを 2 つのステップに簡素化しました。最初のステップは、比較するキーワードを検索ページに入力し、比較された並べ替え結果から結果をクリックし、このクリック結果のモデルを構築することです。結果をクリックすると、ページは次のページにジャンプします。2 ページ目に入ると、ユーザーはページの内容、製品価格などに基づいてモデル化し、この製品を購入する必要があるかどうかを判断できます。

簡単に言えば、購入プロセス全体は 2 つのステップに簡略化されます。1 つは選択、もう 1 つは決定です。GMV を生成する方法も 2 つのステップに分かれています。最初のステップは検索ページからの「クリック」という意思決定アクションであり、2 番目は商品ページからの「購入」という意思決定アクションです。

GMV 式の購入確率に戻ると、この確率はクリック確率とクリックベースの購入確率の 2 つの部分に分けることができます。分割すると、2 つの部分を個別にモデル化できます。 1 つ目は、検索ページに基づいて存在するクリック モデリングです。ページに検索結果が表示されたときにクリックが開始されます。この分野で直接参照できるモデルが存在します。それは、Learning to Rank です。この 2 つの唯一の違いは、従来の Learning to Rank ではユーザーの関連性、またはクエリ キーワードの関連性から学習するという点です。ここでは、関連性をページ関連性ラベルから NDCG のクリック ラベルに変換するだけです。下の図は NDCG の式を示しています。

この式では、未知の数値は Fc であり、これはモデル化する必要のある未知の数値 (クリック確率) でもあります。このプロセスの最初のステップは、ディープ ネットワークを通じてクリック確率をモデル化することです。

2 番目のステップはバイナリ意思決定です。これは、ユーザーが商品ページにアクセスしたときに「購入するかどうか」を決定することです。ロジスティック回帰を使用して、ロジスティック回帰の wp 係数を学習します。

標準的なバイナリ決定との違いは、ロジスティック回帰は価格によって再度重み付けする必要があることです。ユーザーが購入するかどうかを決定する上で価格は重要な要素であり、最適化の目標は関連性ではなく GMV であることがわかります。

下の図のデータから、ユーザーのクリックは商品の場所に偏っていることがわかります。

上位にランクされた商品は、従来の検索と同様に、クリック率が高くなります。ユーザーは、期待する商品が比較的高い位置にランク付けされることを望みますが、位置に基づいて減少するクリック率は、従来の検索よりもはるかに低くなります。

(注: 上記の内容は、データヒーローオンラインラボでのデータヒーロー洪良傑氏の講演に基づいてまとめられています。写真は彼のライブPPTからのもので、私が確認したものです。この記事は著者の見解のみを表しており、DT Financeの立場を表すものではありません。)