论文：RecommendingComplementaryProductsinE-CommercePushNotificationswithaMixtureModelApproach论文链接：https://arxiv.org/abs/在文章1707.08113中，阿里巴巴研究人员针对电商领域的营销推送场景优化了点击率。营销推送场景与传统电商推荐场景有很多相似之处，但也有不同之处。首先，营销推送的点击率受文案影响较大，与用户直接相关的文案点击率会明显高于一般推送文案；其次，每次营销推送??只有一个展示位，因为对推送产品的准确性要求更高。解决第一个问题，推荐“购物赛”场景。购物搭配场景，推送与用户已购买商品相匹配的商品。例如，当用户购买高档茶壶时，推送优质茶叶（下图中的第二条推送消息）。购物匹配的好处是文案可以揭示用户购买过的商品，消息可以与用户建立牢固的依恋关系，提高消息打开率。为了找到匹配的产品对，我们定义了以下两个指标：1)Co-PurchaseGraph2)View-then-PurchaseGraph最后一个指标衡量两种商品之间的互补性，第二个指标衡量两种商品的替代性.在购物匹配场景中，我们希望找到互补性高、推荐替代性低的商品对。因此，我们将项目对“匹配”的分数定义为：这个分数是我们推荐模型中的一个重要特征。为了解决推荐准确率的问题。我们更详细地描述了用户分层。我们的主要思想是根据用户行为学习用户的向量表示（Embeddings），然后我们使用这些向量表示来预测用户的行为。向量表示可以理解为用户在高维度上的定量抽象表示。矢量表示的优点是可以更准确、更灵活地表达目标。比如我们对用户的描述，不局限于年龄、消费能力等人们可以直观想到的维度。人工智能可以从消费者数据中自动学习到更全面、更抽象的维度，比如用户对推荐平台的认知。依赖程度、用户选择产品的创新程度等。我们使用概率隐藏层模型（ProbabilisticLatentClassModeling）来学习用户向量。首先，我们定义用户点击模型如下：该模型分为两层，隐藏层用于高维描述用户的分层，采用多维逻辑回归分类的形式。第二层是点击率预测模型。我们这里选择了二维逻辑回归模型。然而，它可以很容易地扩展到使用深度神经网络。我们要根据用户特征和点击数据来估计模型参数。我们使用经典的EM（期望最大化）算法。EM算法需要先求解Q函数：为了优化Q函数，我们迭代优化参数如下：以上两个更新很容易用GradientDecent方法解决。下图是对我们的解决方案模型的解释。我们发现高活跃用户对自己的倾向性更感兴趣，预测模型的权重在用户偏好特征中较高（highmodelweightsonuserpreferencefeatures）；低活跃用户更依赖平台推荐，偏好平台选择。对于好的产品，预测模型的权重在产品匹配的特征权重上（highmodelweightson）。这可以直观地理解为深度用户在选择产品时更加有主见，而新手则更加依赖于平台。目前该作品在线上取得了不错的效果，在购物匹配的推送推荐场景点击率提升了~50%。更广泛地说，这项技术给行业带来的好处是可以更准确、更全面地描述用户，进一步推广可以用于描述产品、信息、视频等其他目标。这项技术可以帮助我们的营销建议更加人性化（了解用户），同时在商业上提高转化率（高点击率）。
