简介：JD智能商人的推荐点是基于NLP的产品。它已广泛帮助并赋予了Jingdong Mall的各个平台。
------
1.推荐的卖点是什么，我该如何处理推荐的卖点？
如何改善推荐系统的解释性？E -Commerce平台中产品的特征，特征和详细信息，以帮助商家吸引客户，促进商品销售和丰富商品的建议。
有多种类型的商品文案写作，不同类型的产品文案写作具有不同的功能，主要包括长篇文案写作（产品标题和产品描述），简要写作（卖点）。
产品的标题是全面的描述信息。在有限数量的单词中，该信息是由产品（例如品牌，哪些项目和产品的主要功能）进行的完整和客观阐述的。产品描述类似于商品广告，可以围绕某些特征点提倡。指导用户购买产品。产品的销售点的目标是突出产品的特征。通常在8个字中，它用于丰富产品推荐的原因。大多数传统商品文案都是手动编写的，这是耗时和艰苦的，很难跟上新的迭代速度产品。通过自然语言处理的快速迭代和开发，尤其是在深层语言生成模型中，通过商品文案的自动化技术，它可以帮助商店中的商店以快速而节省的方式宣传产品促销。
2.当前常用的文案生产技术
产品文案的自动撰写属于自然语言处理领域中文本摘要或自然语言生成的问题。
输入是长期文本表格，包括产品属性，产品的详细描述，买方评论等。输出是目标产品文案，包括产品说明，产品标题，产品销售点，等。
当前有一些生成模型的方法，例如基于模板的一代，基于Deep Newer Network网络的生成，基于知识的Incormate，模式控制等。
上述方法主要用于生成长文本文案，并且没有卖点短文案写作的技术。
3.建议卖点价值
销售点文案的核心是服务推荐系统，这可以增加推荐系统的解释性，并向用户展示推荐原因；结合用户对个性化建议的偏好，以传达准确的信息以进行用户决策；向用户显示特征，例如服务，服务，服务以及服务以及服务，例如服务，服务和服务，例如服务和优势访问以及其他信息，可以提高用户满意度，促进点击，同时增加用户对平台的信任并扩展住宅时间。
4.卖点短文应用程序自动发电技术
通过卖点自动化生成技术，以避免人工撰写写作并节省时间成本；同时，卖点简短文案不需要复杂的文学表达，这更适合使用自动写作。
------
接下来，引入了推荐系统中推荐销售点的设计，以介绍如何将销售点与推荐系统结合在一起。
提供建议模块；AI-Flow是推荐的模块，执行召回和排序以获取推荐的候选产品，根据产品的库存和普及进行筛选，最后确定该产品可以同时推荐将请求发送到卖点模块执行卖点的卖点。提取和个性化分销。
------
1.智能卖点创建的技术过程
整个智能卖点创建模块分为两个部分：
简短文案写作的销售点的提取和生成基于产品详细信息和用户评论，使用基于文本的生产技术；个性化的销售点分配，使用用户肖像的个性化销售点分销技术。以石榴酸盐的产物为例。首先，获取卖点材料，例如石榴的财产桌，产品的标题以及从产品详细信息的产品详细信息中提取的文本，买方的正面评论等等，等等。生产模块为一种产品生成多个高质量的卖点；在个性化分配模块中，结合客户兴趣，可以为不同用户执行不同的推荐销售点显示。
2.短期文案写作的提取和生成
短期文案写作的提取和生成主要包括三个步骤：卖点，卖点和卖点。
①卖点厚屏幕
目的是从商品文案材料库（商业页面OCR，用户评论，人文科学等）中提取初始卖点候选者，这主要是基于K，用作生成材料的卖点，过滤了一句话。或对产品没有重大意义的句子。
在材料文档分数中，手动写作的卖点（人文科学案例）被定义为正样本，用户评论或业务详细信息被用作负样本。在练习过程中，句子输入模型时，BERT模型的SoftMax层输出概率，表明该句子被分为高质量的概率并根据句子的概率进行排序。此处是对BERT模型的简短介绍。培训前语言模型。在预训练阶段，有两个任务：掩盖语言模型和预测性句子关系。在此基础上，文本输入表示形式包括语义符号，段表示（细分信息表示），定位；最后，SoftMax层输出用作副本的质量分数：
②销售点产生
由于在厚屏幕中选择的文案写作材料的口语和简单性，我们将根据筛选的文案写作库基于变压器和指针生成器的教科书编队模型生成。
变压器用于学习进入文本的特征向量。它的重要组成部分包括多头自我打击的自我和位置嵌入。自我注意机制基本上将在句子中的每个单词上构建一个完整的连接图。通过计算每个单词的特征向量，通过计算注意力，考虑句子中所有单词在单词上的影响。在位置表示中，每个位置点都有一个编码，这是一个循环函数。
获取前往解码器生成卖点副本的步骤。指针生成器与其他语言生产模型之间的区别不仅可以选择要从同义词库中学习的单词，还可以从输入句子中选择单词。计算从词库中选择单词和从输入中选择单词的概率，然后结合库中的概率分布以及输入中的概率分布以获得最终的概率分布。
③卖点精细屏幕
卖点筛模型与厚筛模型不同，生成的卖点副本被输入递归且敏锐的BERT模型。特别是，首先将主的卖点用作正面样本，材料库文案/材料库文案/初始模型生成文案写作被用作负样本，输入到培训的初始分类模型中；负样本，主销售点作为正样本，再次输入BERT模型以进行优化培训，并获得最终的高质量卖点副本多次。
3.个性化分布
接下来，我们基于用户肖像介绍个性化发行版。east产品具有不同的特征，可以产生多个高质量的销售点。我们希望根据客户的利益点为其利益分配最有吸引力的卖点，以指导用户购买该产品。个人分布分为两个步骤。首先，生成卖点副本的代表向量和用户权益的特征向量，然后匹配卖点表以签署向量和用户的特征向量，以实现销售点的个性化分布。
用户兴趣嵌入式表符号：通过Work2Vector获取产品词中每个单词的单词嵌入，以在产品词中找到每个单词的特征并获得产品字的特征，并将用户对每个产品单词的偏好结合在一起，并且然后将所有产品单词进行重量，并获得用户的词语偏好的特征。
卖点副本的特征向量：通过Work2Vector获取卖点副本中每个单词的单词嵌入，然后在卖点副本中获取每个单词的特征的特征。
个性化分布：实现了用户兴趣表和销售点文案矢量的相似性。基于相似性。
------
1.文案写入输出材料选择
在模型开发过程中，需要不同的卖点文案写作资源库对高质量销售点对高质量销售点的产生的影响。在候选人卖出点材料库的基本产品描述外，还需要是买家的评论和详细的页面OCR提取文本。为了探索这两种材料来源的优势和缺点，我们比较了这两个文案写作（买家评论，详细的页面OCR提取内容）对指示器的影响。从下面的图中，可以观察到买方评论的内容和详细的页面OCR提取可以改善与销售有关的性能指标。尤其是，买方的评论材料来源可以将UV提高约7％。原因可能是其他用户的评论可以更好地刺激用户的兴趣，也就是说，所谓的买家更了解买家；增加约1％；这些数据告诉我们，这两个材料库可以用作初始材料库。
2.在线销售点文案质量监督
在实践过程中，我们希望能够检测和过滤低质量的销售点，这些卖点对历史数据中的购买行为具有负面影响，或者具有促进购买行为的高质量销售点。很难全面评估销售点是否对客户有吸引力，我们希望通过商业方面的反馈来帮助我们确定高质量的卖点或低质量的销售点。- 优化模型。对于在线监视模块，我们需要通过与业务相关的指标（曝光，点击价值，客户停留时间等）来计算相对改进的指标。
3.离线销售点文案模型优化
对于离线优化模块，我们发现低质量的卖点和高质量的卖点通过业务反馈过滤掉可以使模型对选择高质量卖点文案的选择更加敏感，并在优化模型中发挥作用在实践过程中，我们将获得相对改进的指标大于30％，基本点击pv> 5％的短期文案写作用作高质量的正样本，其余文案写作用作负面样本，然后输入finetune.copywriter的BERT模型；同时，我们采用比较PV的基本点击PV或简短文案与PV的比较小至低质量的负面样本，其余文案作为正面样本，然后在BERT模型中输入它对于Finetune。销售分数的销售副本。
------
到目前为止，我们已经完成了销售点挖掘和1亿级的生产，涵盖了数亿，62个类别（包括家用电器，体育，新鲜，处方药等）；商品特征，名人，名人，名人，名人，名人，名人，相同的类别，用户行为，用户评估和特征组旨在挖掘产品特征，以帮助体验改进或引入用户数据以刺激公共行为；另一方面，从销售指标，从销售指标来看，销售点技术可以有效地提高点击率（+2％）和停留时间（0.32％+），并且每日效果赋予了能力活动页面；效果是积极的。目前，这是速度版本的授权，可以帮助下沉市场用户运营。此外，推荐销售点还可以广泛地启用多个应用程序场景，例如主站，Jingxi，Speed Edition和Tongtian塔活动页面。
原始：https：//juejin.cn/post/7094985604160552974