【顧客角度全新推薦典範，要以顧客興趣為核心】超級個人化推薦是eBay下一步目標

想像一個Lebron James球迷，在eBay購買了一雙該球員聯名的球鞋，這時，如果eBay推薦系統是一個老練的推銷員，應該要推薦什麼商品給他？

答案很可能不會是再一雙球鞋，而是介紹其他Lebron James蒐藏品，像是球員卡、珍藏版畫，或是其他連顧客自己都不知道存在，但可能會有興趣的周邊商品。這是因為，比起短時間內購買一堆球鞋，看到每個有趣的小東西都買一份，更符合一般人消費習慣。

「70% Gen Z認為商品探索是網購最棒的環節。」eBay AI長Nitzan Mekel-Bobrov笑道：「我跟年輕人至少在這點上有共識。」不過，eBay並沒有Lebron James這個商品分類，商品相似性推薦系統無從得知這些商品之間的關聯性，因此這位球迷不會有機會發掘偶像各式周邊商品，而是看到一整排自己已經買過的球鞋。

為了使推薦系統能像老練推銷員一般觀察，並勾起顧客興趣，eBay必須要轉移到以顧客為切入角度的新推薦典範。要做到這點，Nitzan Mekel-Bobrov認為，必須理解顧客興趣，同時熟知自家商品。這也意味著，eBay推薦系統典範轉移不須摒棄過往相似性推薦時代的技術建設，而是以過往累積的商品理解為基礎，加入顧客觀察，來綜合判斷應推薦商品。

新舊典範的關鍵差別是判斷商品關聯性的角度。以往做法是假設商品相似性等於關聯性，將顧客行為化簡為靜態的商品或商品分類數據，再匹配鄰近分類商品。

新做法則是從顧客行為出發，推論他們如何認知商品關聯性。這個關聯性是多元的，不只注重相似性，也可能是任何其他能連結起商品的概念。

為了做到這點，eBay勾勒出顧客旅途，從看似無關的行為中，猜測背後購買興趣，再動態推薦相關商品。這也意味著，隨著系統對顧客了解更深，同一個顧客在旅途不同階段瀏覽同一件主商品，可能會看到不同的推薦商品，且這些推薦商品不會受到eBay預設分類方法限制。

為了打造這種超級個人化的商品探索體驗，近一、兩年，他們開始大力研究，如何進一步從顧客數據挖掘出更多有用資訊，來強化商品推薦機制。

從顧客行為數據回推推薦效果，而非相似性

新典範下，eBay開始更深入的分析顧客行為數據，並用來強化推薦效果。一個例子是，增加顧客行為數據維度，來改善相似商品廣告欄位的推薦效果。

這是一個依據成交金額來抽成廣告費用的促銷廣告版面，當顧客瀏覽A產品，透過這個廣告推薦，實際購買了B產品時，才將A產品與B產品視為有關聯，作為後續相似性推薦的重要參考。當其他人看了A產品，也會推薦B產品給他。若沒有完成購買行為，則一律視為無關聯性。

這種高度聚焦於購買行為的設計，雖然能有效帶來購買轉換，不過也衍生出3個問題。

第一是偽陰性問題。通常，顧客頂多只會從推薦欄位中購買一件商品，其他商品就算具有高關聯性，也會被標註為無關聯性。再來，購買行為相較於其他顧客行為，數量更加稀少，因此可以用來強化推薦系統的數據也相對少。第三，此機制沒有考慮到其他類型行為，也可能代表不同程度的購買興趣。

eBay嘗試加入更多過往顧客行為到推薦模型中，來因應上面3個問題，不過還要得客服兩個挑戰，首先，要判斷哪些行為標籤具有足夠影響力，應該納入考量。接著，要賦予這些行為適當權重，否則推薦效果反而會低於原本設計。

為了解決這2個挑戰，eBay根據不同行為標籤與標籤超參數組合，訓練出2,000個以上的模型來投入實驗，並且分開測試網頁版商城及行動App商城，才決定點擊、加入購物車、開價、點擊馬上購買按鈕、加入觀察清單、購買等行為標籤以及其權重，並將新模型投入全球商城中。

不問推薦商品與瀏覽中的主商品多相似，只問顧客有沒有興趣，來決定推薦排序，這便是新典範中，以顧客角度觀看商品的精神。

以顧客旅途為出發點，打造更即時、更不受既有認知限制的超級個人化體驗

不只要從一系列相似商品中，根據顧客歷史行為進一步推測顧客興趣程度。eBay還要分析顧客在整個eBay商城中的旅途，即時找出其興趣，推測此顧客眼中如何看待商品關聯性，並用來這個角度來分類商品，進行推薦。

eBay舊有推薦法蒐集的顧客行為不多，主要是顧客點擊、購買及搜尋數據。為了更深入分析顧客興趣，他們將顧客商城內的行為整理成63種事件，分別屬於探索、商品清單、瀏覽、搜尋、決策、支付、送貨、再訪8個階段，以此來勾勒出顧客旅途。

eBay不只會紀錄這63種事件的發生時間，再轉化為事件順序嵌入向量（Sequence Embedding），還會進一步紀錄每個事件的持續時間，轉化為時間嵌入向量（Time Embedding）來代表此事件的重要性。

接著，他們將兩著結合成點擊流嵌入向量（Click Stream Embedding），再與自家商品的知識圖譜（Knowledge Graph）比照，動態形成興趣圖譜（Interest Graph），來推論商品對於顧客來說，可能有哪些關聯性。

Nitzan Mekel-Bobrov說，事件順序及時間嵌入向量都是利用雙向長短記憶網路（Bi-directional Long Short-Term Memory，BiLSTM）計算出來的，需要耗費巨大運算資源，因此業界通常不會做到如此精細，但eBay認為，這對於深度且即時了解顧客興趣至關重要。

系統會根據這些動態推論的顧客興趣及關聯性，產生商品分類，作為推薦依據。這樣一來，便能跳脫原本eBay用相似性建立的商品分類，每一個顧客都會有專屬自己的分類方法。

新做法不只使eBay能擺脫自己分類觀點的限制。Nitzan Mekel-Bobrov補充，顧客數據分析到如此精細，可以做到所謂「多方向性」的顧客興趣理解。

「一般的個人化是單方向的作法，數據累積越多，越有可能累積到錯誤或過時資訊，而且系統不容易及時遺忘這些不適用的資訊。」他補充，像圖文向量的「顧客向量」就是一種靜態資料，取得後要更新很難，若可以更即時了解顧客興趣，便更容易根據顧客旅途來快速反應，增加、移除或修正系統對於顧客興趣的了解。

例如，系統雖然一開始判斷顧客喜歡玩具相機，當顧客點擊更多復古木製玩具類相機，系統便會更新對興趣的理解，改認定對方喜歡復古木製玩具相機，在這個過程來累積顧客興趣理解，增加或修正興趣標籤，這是一種個人化的優化方向。

不過，當顧客開始點擊更多非相機類的復古木製玩具時，系統便會移除相機這個標籤，改為判斷顧客興趣是復古木製玩具，移除顧客興趣標籤，這是與前一個優化方向相反的作法，透過排除噪音來提高個人化。顧客若點擊其他材質的玩具，或是對特定類型復古木製玩具展現興趣，系統對顧客興趣理解也可以「橫向」移動到其他類興趣的標籤。「這些移動都是根據動態產生的顧客興趣圖譜，而不是預定義的商品分類。」Nitzan Mekel-Bobrov強調。

追蹤顧客探索旅程的每一個行為，透過多種優化做法來更新對顧客興趣，正是eBay發展超級個人化的關鍵一步。

 相關報導