用户卖家平台三方螺旋成长 如何让商品推荐更智能

作者：马蕊 Lazada推荐算法团队

在Lazada各域推荐场景中，既有优质商品优质卖家不断涌现带来的机会，也有商品质量参差带来的问题。如何才能为用户提供更好的体验，对卖家变化行为进行正向激励呢？下面本文将为大家分享我们在与商品的演变成长性和商品的购买体验相关的三个环节中探索实践的经验。

一、背景

Lazada 作为阿里在东南亚的重要电商板块，近年来发展迅速。其发展一方面体现在不断增长的用户体量上，另一方面也体现在快速变化的业务和供给上。数据显示，Lazada 首页猜你喜欢每日到访新客，这些用户也经历着不同的成长轨迹，从站外投放到成为注册用户，从未开单用户到成为开单用户，从低活用户成为高活用户。与此同时，在供给侧，东南亚六国每日新发的商品数量也十分可观，商品从上架到首单，经历降价、免邮、广告等运营动作，获得销量和评论的累积，最终或成为头部的热销商品。在这样一个用户和商品螺旋式交互成长的过程中，作为用户和商品的连接者，平台应该推荐什么阶段的商品给什么阶段的用户、从而形成一种怎样的体验？

推荐领域的前序工作，无论在工业界还是学术界，更多在于用户行为的利用和兴趣的建模。而在电商推荐中，被推荐的主体——商品，既不同于新闻的强时效性和强聚集性（快速出现快速消逝），也有别于电影的稳定性（与用户兴趣之间相对稳定），它具有一种特殊的“演变成长性”（即商品的转化效率一边受到逐渐累积的销量评论带来的缓慢渗透，一边受到卖家和平台的随时可能发生的运营动作的快速影响），这种演变成长性同样需要被建模在推荐排序当中。尤其对于成长型电商，候选的商品集中存在大量“变化”的商品，其对变化捕捉的准确度也决定了其对效率预估的准确度。除此之外，用户在电商平台与目标商品的完整交互包括购前和购后 (pre-purchase & post-purchase) 两个阶段，当前绝大多数的推荐系统只将购前行为的信息纳入到模型的样本和特征中，而购后的体验虽然并不会影响当前推荐系统的点击和转化效率指标，但对于用户的留存和复购都起到了至关重要的作用。尤其对于新用户而言，他对平台的首次购买体验很大程度上决定了他对平台的信任程度，不好的首单体验可能会导致无效的“拉新”。

在当前作为一个发展型电商的 Lazada 而言，在其各域推荐场景中，我们能够看到优质商品优质卖家不断涌现带来的机会，也需要正视商品质量参差带来的问题。其供给“变化”的速度之快，需要算法能力予以捕捉和反馈，一方面提供给用户更好的体验，另一方面也是对卖家变化行为的正向激励。因而在此，我们将商品演变抽象成一个单独命题，致力于让推荐随着 Lazada 供给侧的变化健康地“动”起来，并梳理出了与商品的演变成长性和商品的购买体验相关的三个环节，和大家分享我们在这些环节中探索实践的经验。

图1. 用户、卖家(商品)、平台三方交互下遇到的问题

二、整体设计

以 Lazada 首页猜你喜欢为例，在商品推荐的实操过程中，我们发现当前以用户侧特征和用户行为建模为主、以场景内的点击和成交效率最大化作为推荐的单一目标，容易造成场景内购前环节的自我闭环，从而与供给侧商品和业务的快速变化断层。从用户的角度来说，用户的体感多样性、发现性有待提高，优质的稀缺供给透出不足，付款后的购物体验没有机制来保证。从卖家的角度来说，新品新卖家进入平台后，难以获得曝光流量，启动困难；卖家在投入成本购买广告、站外引流、参加促销活动等只能在特定域内获得即时的额外流量，在活动结束后无法得到持续的跨场景的收益；卖家在进行商品核心属性的修改后（如打折、免邮等），平台对该变化的响应较慢。从平台的角度来说，商业信号的孵化同样面临启动困难的问题；同时在无法快速响应变化的推荐背景下，业务的测试周期也更长，影响迭代效率。

基于以上的诸多问题，我们从供给侧理解的角度入手，一方面宽进严出，让更多更新的商品进入候选获得流量，同时严格控制曝光商品的质量保障用户的满意度，另一方面，通过基于全域数据的商品“演变成长性”建模（此处全域指 Lazada 平台中用户在不同场景行为的汇总），打破场景内闭环，让推荐的成交预估更精准更具实效性。最终归纳为以下三个环节：

• 打开高潜入口：通过建设独立链路，探测高潜新发商品、承接商业孵化信号，打开推荐候选商品池入口。

• 优化成交排序：基于全域成交行为和商品核心属性演变建模，优化转化预估，服务多域商品推荐排序。

• 把控服务质量：追踪用户购后体验，把控推荐商品的服务质量，进一步建模购买满意度提升用户回访复购。

图2. 整体设计

三、打开高潜入口：通过建设独立链路，探测高潜新发商品、承接商业孵化信号。

对于不断发展的 Lazada 供给侧，除了把握好变化的头部商品之外，从 0 到 1 的新商品和新卖家的冷启动也是一个重要的问题。不同于搜索域用户主动发起的 query 具有较高的相关性要求，推荐域的流量分配相对自由，因此它也承担起了用户和平台的发现性作用。从平台的角度而言，新发的商品需要启动流量，新的业务也需要流量机制的保证，由此启发了我们在独立链路上的一系列工作。基于独立链路的冷潜品探测工作，经过长期的效果累积，东南亚六国指标已经实现了用户侧指标持平或提升的情况下，供给侧曝光商品数量显著增长，开单商品数量显著增加。同时，当前独立连路也以固定曝光占比的方式支持了多项供给业务。

1.1 背景和动机

为什么一定要搭建独立链路？纵观当前 Lazada 首猜的推荐机制，从全量商品池，到选品，再到基于历史行为的召回、粗排和排序，可以看到在每个阶段的透出都存在一定的限制。对于新发商品，以及行为稀疏、没有被加购或成交过的商品，难以通过在精排阶段使用传统的分数加权的方式拿到流量。然而这些新发的商品、新发之后一直没有得到启动的商品、或是由于周期性原因没有进入精品池或行为较少的商品，并不应该被一刀切地被认为是“差”的商品。除此之外，当前首页猜你喜欢的一些特定业务，覆盖的商品也存在透出困难的情况，需要绕开当前推荐的主链路，以直通的形式保证透出。

1.2 方案及算法

为了避免不必要的资源消耗，我们尽可能地复用了主链路的结构和算法模型，形成了与主链路平行的独立打分链路，并在混排层实现两个链路的混合。同时为了保证独立链路有能力透出新品和行为稀疏的商品，我们针对