天猫推荐实战经验分享

天猫推荐

天猫营销线

天猫推荐 (ald.taobao.com)
大纲

基础知识
推荐实战
团队介绍

产品概况

• 在淘宝海量数据基础上 , 结合天猫会员习
惯和天猫内容特性进行分析和挖掘 , 为天猫
会员提供个性化的推荐服务 , 以期缩短用户
购物路径 , 提升用户购物体验；

推荐地图

基本思想

消费者行为经济理论 EBK(1986)
 组成部分
① 中枢控制系统
② 信息加工；
③ 决策过程；
 问题认
知
 收集信
息
 方案评
估
 选择
 购买结
果
④ 环境

天猫会员行为模型 (EBK)
EDM

HOMEPAGE
Etc (Comment)
Mall LIST
DETAIL Etc (PAY)

消费者行为学应用
① 消费者的特征辨析
Who
② 消费者的心理行为
What
③ 如何解释消费者的行为
Why
④ 如何影响消费者
How

购物车弹出层
• 资源位背景
• 资源位实现
• 资源位梳理
• 资源位优化
• 小结

资源位背景

• Tm 购物车浮层
all
日均 pv ： 300 万
业务原定位：
搭配商品，无同店异店限制

优化前 2012 年 3 月
日均引导成交： 20 万

优化后 2012 年 6 月
日均引导成交： 77 万
点击率提升： 250% 转化率提升 : 25%

资源位的实现 – 基本算法
 大体思路
 服务业务，主推搭配商品
 一期使用关联规则
 置信度 0.05 ，导致覆盖度
不够，使用多种补全策略

资源位梳理
1. 效果数据采集

2. 效果数据评估
要点 : 曝光率 / 点击率 / 转化率 / 客
单价

3. 问题诊断 (6 步曲 )
 步骤 1: 寻找 Bad case (HTC 手机推 4 块诺基亚电池 )
 步骤 2:Badcase 跟踪 (HTC 手机推出齐 B 小短裙、推出秋装 )
 步骤 3: 需求还原

3. 问题诊断 (6 步曲 )
 步骤 4: 算法还原
 真实逻辑
OMG!!!!
没有推异店
直接补全
随机推荐

3. 问题诊断 (5 步曲 )
 步骤 5: 反思
 原始推荐逻辑是否有道理
 随机因子是否应该存在
 同店、异店因素

 步骤 6: 优化方案
 提高搭配商品覆盖度的尝试：
 异店协同过滤替代关联
 商品聚到 spu 后的协同过滤
 类目关联规则后热销
 相似性商品，看了还看

资源位的优化 – 搭配型商品算法选择 @ 天猫业务环境

同店关联
异店协同
异店关联

Abtest 诊断一
异店关联点击非常低、购买转化率也非常低，但是客单价很高，
是另外 2 个算法的 2 倍，曾经达到了 110 以上。
采用完全的 item 直接做关联规则，数据太稀疏，推荐的效果不行。
另外 2 种算法刚开始不太稳定，继续观察


异店关联
同店关联
异店协同

Abtest 诊断二
异店协同的点击最好，但是转化率略低。因为这个算法采用 spu 和 item
做混合协同过滤，一定程度的解决了数据稀疏的问题，推荐的宝贝也是
最准确，但是存在宝贝都跨店的因数影响，用户大多点击确不购买。有
明显优化空间。
同店关联点击略低，转化率最高。猜测主要影响因素是运费。同店自动
包邮，所以购买率高。

Abtest 诊断二 ( 数据投放口径 )

同店关联

异店协同

同店关联算法推荐出的 item 只有 40% 由同店关联这个主算法推出，补
全占到 60% ，其中有 40% 是由类目关联补全算法推出。但补全算法，
几乎都是 bad case 来源。主算法结果大约 260W 条记录。
异店协同算法推荐出的 item 有 88% 以上是由异店协同这个主算法推荐
出来。算法产出结果大约 680W 条记录。

Abtest 总结一 ( 合理使用流量 : 效果分析流量分配流量追踪 )
Abtest 总结二 ( 实时统计 / 周期统计 )
Abtest 总结三 ( 同比 / 环比应用 )
实验结论
• 同店买了还买关联规则的效果很好，但是浪费了大约 50% 左右的流量
• 算法推荐结果随机因子完全不应该存在，是罪魁祸首
• 同店是这个位置非常重要的因数，直接关系到用户点击后是否购买，邮费是重点。
• 异店协同作为同店买了还买的补全算法

实验效果
• UV 转化率从 8% 左右，上升
为 10% 左右
• 支付宝成交金额从日均 17W
左右，上升至 35W 左右
• PV 点击率从 1.8% 左右，上
升至 2.3% 左右

资源位的优化 – 业务场景的用户行为 @ 天猫

用户眼中的购物车是啥


• 天猫的购物车，用户加入了是一定打算买了吗？

经过分析用户在购物车场景意图复杂，主要动作，加入，删除，选择购
买。不同的用户，不同的类目，对于购物车的使用习惯不尽相同

例如：真实用户
小常

真实用户
小明

小常比小明每次购物更纠结  给小常，是不是推荐相似商品更有
效？


定义单次结算，购物车使用度 ( 纠结度 )
CUR= (| 删 | + | 加 |)/| 买 |

每个用户的平均使用度 ACUR 直方图如
右：

主要类目的购物车使用度 ACUR 如下：
女装 / 女士精品 3.65
女士内衣 / 男士内衣 / 家居服 1.92
美容护肤 / 美体 / 精油 1.93
童装 / 童鞋 / 亲子装 3.00
3C 数码配件市场 1.87
服饰配件 / 皮带 / 帽子 / 围巾 1.57
男装 2.21
女鞋 2.38
彩妆 / 香水 / 美妆工具 1.91
零食 / 坚果 / 特产 1.69
●
用户的行为，及各类目行
饰品 / 流行首饰 / 时尚饰品新 2.03 为
床上用品 / 布艺软饰 2.08 ●
是普适多样的

通过购物车使用度
• 给用户一定的机率看相似替代的商品，而不只是用来做补全
• 机率表达为

• 分别用类目，用户，类目用户的购物车使用度，按请求，资源位，做了实验

实验结论
• 类目的平均购物车使用度的效果，优于用户及类目用户
• 按资源位分配位置，优于按请求分配流量

实验效果
• UV 转化率基本保持不变
• PV 点击率从 2.3% 左右，上升至 4.5% 左右
• 支付宝成交金额从日均 35W 左右，上升至 77W 左右


• UV 转化率基本保持不变
• PV 点击率从 2.3% 左右，上升至 4.5% 左右
• 支付宝成交金额从日均 35W 左右，上升至 77W 左右

推荐小结
系统概况
1.Tmall 实时效果监控系统
2.Tmall 实时行为采集分析系统
3.Tmall 算法部署调度系统
4.Tmall 推荐数据存储系统
5.Tmall 推荐内容制作系统
推荐系统十堂课
1. 确定你需要真的推荐系统 6. 不要为了推荐而推荐 , 选择合适时机
2. 确定商业目标和用户满意度 7. 利用神会网络数据计算相似兴趣用户
之间关系 8. 不断提升算法扩展性
3. 选择合适的开发人员 9. 选择合适的用户反馈方式
4. 忘记冷启动 5. 设计合理评测系统，关注系统性能
5. 平衡数据和算法之间的关系
参考资料
1.<< 推荐系统实践 >> (49¥) 2.<< 数据挖掘导论 >>(69¥)

团队介绍

实仙 : shixian@taobao.com 樱木 : yingmu@taobao.com 凌峰 : lingfeng@taobao.com

南天 : nantian@taobao.com 仲昕 : zhongxin@taobao.com 范大 : fanda@taobao.com

团队介绍

星矢 : xingshi.ycy@taobao.com 无劫 : wujie.hd@taobao.com 卢云 : luyun@taobao.com

法印 : fayin.dyk@taobao.com 恒念 : hengnian.mh@taobao.com


万里 :wanli@taobao.com

天猫推荐实战经验分享

天猫推荐实战经验分享

Recommandé

Recommandé

Contenu connexe

Similaire à 天猫推荐实战经验分享

Similaire à 天猫推荐实战经验分享 (20)

天猫推荐实战经验分享