学界 | 基于概率隐层模型的购物搭配推送：阿里巴巴提出新型用户偏好预测模型

正文

请到「今天看啥」查看全文

Recommending Complementary Products in E-Commerce Push Notifications with a Mixture Model Approach

论文链接：https://arxiv.org/abs/1707.08113

这篇文章中，阿里研究者们对电商领域营销推送场景进行了点击率的优化。营销推送场景和传统电商推荐场景有很多类似的地方，但也有所不同。首先，营销推送的点击率受文案影响很大，和用户直接相关的文案的点击率会明显高于通用的推送文案；其次，每次营销推送只有一个展示坑位，因为对推送商品的准确度要求更高。

为解决第一个问题，我们进行「购物搭配」场景的推荐。购物搭配场景推送一个和用户已购买商品的搭配商品，比如当用户买了高级茶壶后对上好茶叶进行推送（下图第二个推送信息）。购物搭配的好处是文案中可以透出用户已购商品，消息可以和用户建立强烈的 attachment，提升消息打开率。

为寻找搭配商品对，我们定义如下两个指标：

1）同时购买分数（Co-Purchase Graph）

2) 看了又买分数（View-and-then-Purchase Graph）

第一个指标衡量了两个商品之间的互补性（complementarity），第二个指标衡量了两个商品的替代性（substitutivity）。购物搭配场景下，我们希望寻找高互补性、低替代性的商品对进行推荐。因此，我们把商品对「搭配性」的得分定义为：

请到「今天看啥」查看全文