推荐系统-电商直播 多目标排序算法探秘

前言：

        电商直播已经成为电商平台流量的主要入口，今天我们一起探讨推荐算法在直播中所面临的核心问题和解决方案。以下内容参考阿里1688的技术方案整理完成。

一、核心问题介绍

• 在电商网站中，用户的主要行为是在商品上的行为，直播的内容行为数据比较稀疏，因此商品行为应与直播行为结合来优化直播推荐。

• 多目标学习，直播推荐的效能类指标和满意度指标很多，包括用户看到直播间的点击率，进入直播间的停留时长，转化率，关注率，留言率等。

• 减少偏差，position bias 与 selection bias 会影响模型的准确性，增强马太效应，损害腰部、尾部主播的利益。

           此内容将在下一遍文章中详细探讨。

二、特征工程

        特征包括了推荐系统中非常经典的一些特征体系，也就是直播测， item 侧，用户侧，用户和 item 侧交叉的特征体系。

• 直播侧

        第一是直播的实时和历史的统计特征，包括实时以 30 分钟，3 天，7 天，15 天为窗口的开播次数，曝光数，点击数，CTR，CVR 等特征。

        第二是内容侧特征，包括封面图和标题的 embedding。

        第三是商家画像特征，静态信息有商家等级和店铺交易数据，B 类信息有商家工厂能力。

• 用户侧

用户侧特征里，我们一方面采用了网站的用户画像，包括网站的身份，等级，来访频次等，另一方面采用直播画像，包括偏好，访问天数，下单数，RFM 等特征。

• 直播用户交叉

        用户和直播的交叉特征，以非常好地反映用户对直播的偏好程度。我们分别用到了用户在 item 的序列和用户在 live 序列在不同的时间和次数窗口上与直播间的商品，以及直播间本身的一些交叉的次数，点击率和转化率的特征。

三、直播排序模型迭代

  1、第一版：我们采用的模型是一个以 CTR 为目标的 GBDT point-wise 模型

  2、第二版： 基于YouTube 的 DNN 和 DIN，演化开发的异构双序列 Attention 模型

   

• 行为异构性：商品序列、直播序列

      采用了两个 Target Attention 的结构，分别基于用户在 Item 上的序列 和 当前直播正在讲解的商品做一个 Attention。也就是说，如果用户的 Item 序列与当前直播的商品匹配程度比较高，模型即可捕捉对应的兴趣。

       第二是 基于用户历史点过直播的序列与直播间的 ID 做一个 Attention。用户如果历史看的直播与当前直播间比较相似，模型也能捕捉到用户对应的兴趣，来提升预测 CTR 准确度。

• 直播实时性：大量实时统计特征

总结：

大量的用户只有关于商品（item）的行为，缺少直播相关的行为。因此用户直播的序列的 Attention 结构就不会生效。

3、第三版：HIN 异构网络建模