一、智能推薦（AIRec）簡介
AIRec背景介紹
智能推薦（簡稱AIRec）基于阿裡巴巴集團領先的大資料和人工智能技術，結合阿裡巴巴在電商、内容、新聞、視訊直播和社交等多個行業領域的積累，為全球企業及開發者提供雲推薦服務。AIRec能夠有效解決使用者偏好和物品之間的曝光選擇問題。AIRec産品與淘寶、天貓推薦的底層是同根共源的，是淘寶、天貓推薦技術的首次對外輸出。目前對于電商而言，獲客等成本非常高，AIRec也希望能夠解決以上這些問題，幫助使用者去深度營運好每一個流量，将每一個流量的價值都充分地挖掘出來。是以AIRec在促活、留存、收入等整個流量生命周期中都可以提現它的價值。
AIRec産品架構
阿裡雲智能推薦AIRec産品的實作方式整體上大緻分為三層。其中最底層是資料接入層，對于這一層而言，一般需要客戶提供兩種資料，初始化離線資料和線上資料。初始化離線資料将用于整個推薦執行個體的啟動，而線上資料則用于當服務啟動之後在後續實時收集使用者的行為，以及更新和回傳。在資料接入層之上是推薦模型層，這裡主要分為三部分，第一部分是特征工程，主要是對于使用者的特征、商品的特征進行一定的挖掘；第二部分是召回子產品；第三部分是排序子產品。在推薦模型之上是業務邏輯層，各個應用廠家或者應用的場景不同，業務邏輯也會比較複雜，推薦系統往往無法覆寫所有的業務場景，是以AIRec覆寫了一些比較具有通用性的業務邏輯以及打散政策和混排政策等。在此基礎之上，業務方也可以根據AIRec推薦的結果來進行第二次封裝來滿足業務上更為複雜的需求。
二、核心功能介紹
AIRec核心功能-接入使用
整個AIRec接入使用主要分為四個部分：資料準備、服務開通、生效測試和增量對接。在資料準備方面，目前AIRec隻能通過阿裡雲大資料計算服務MaxCompute上傳初始資料，MaxCompute是一個能夠處理PB級别的資料倉庫解決方案。AIRec初始時需要三張表，分别為User表、Item表和Behavior表，User表存儲了使用者的基本資訊、使用者ID以及是否給這個使用者進行推薦以及一些使用者特征次元的資訊。針對于表中的這些字段，客戶可以根據自己的資料埋點以及資料收集情況酌情地進行上傳，并且表中的字段也是分為必填、選填和推薦等類别。當然，這些資料如果填寫的越飽滿，對于後期的效果調優而言，就會越有優勢。同樣的，Item表存儲了物品資訊，Behavior表則存儲了使用者與物品之間的關聯資訊，資料中的點選和展示是必須要上傳的，其次内容型的點贊等行為也推薦客戶上傳。在資料準備完成之後就可以開通AIRec服務了，開通完成之後可以進行對于行業、場景以及資料源的選擇。選擇完成之後，就可以在資料生效的頁面檢查資料生效的品質，同時在資料生效之後進行資料的測試。當測試完成之後就可以确認AIRec執行個體已經正常地運作起來了，在此基礎之上可以對接服務端的SDK或者API實作增量資料的回傳。
AIRec核心功能-行業
阿裡雲智能推薦AIRec現在向外輸出的行業主要包括四種，即電商行業、新聞行業、内容行業以及視訊行業。之是以對于行業進行了劃分，這是因為目标行業的特點不同會導緻使用者的關注點不同，這也就導緻了營運人員所關注的名額也各不同，是以這些因素最終也會影響推薦系統對于模型的選用。舉例而言，對比一下電商型和内容型行業，前者比較關注點選率、GMV成交值以及購買率等業務名額，而後者除了常見的關注點選率之外，還會更加關注人均點選量、使用者停留時間以及浏覽深度等業務名額。
AIRec核心功能-場景
這裡的場景可以了解為推薦所在的位置。根據推薦所在的位置不同，推薦系統使用模型和手段也會有所不同。比如在淘寶的首頁推薦上“猜你喜歡”這部分屬于一個比較綜合的推薦位置，是以需要綜合一些基于使用者浏覽曆史行為的召回，也需要符合使用者的興趣，還需要在照顧熱點的同時增加一些對于新品的關注度，是以這部分屬于一個比較綜合的推薦。而商品詳情頁的“相關推薦”位置則不同，其更加看重物品與物品之間的關聯關系，這個關聯可能是商品存在相似關系，也有可能商品之間存在類似于“啤酒和尿布”的關系。“熱門推薦”就是熱度排行榜了，其背後有着比較成熟的熱度算法。而位于頁面頂部Banner推薦位的“焦點圖推薦”則是對于重要活動或者産品的推薦。
AIRec核心功能-召回模型
如下圖的左側的推薦模型所示，其最下面的輸入可以認為是全量的Item清單，通過召回可能篩選出了一批和使用者相關的Item，經過規則過濾将其放入排序層，之後根據使用者行為、使用者特征以及商品特征進行排序并計算分數，并将最終算分的結果放入到業務邏輯層進行封裝，并Push給終端使用者，使得終端使用者能夠看到Push的結果。下圖中右側是召回系統的簡單的實作方式示意圖，對于召回而言，想要判斷結果是否與使用者的興趣相關，就可以通過不同的鍊路實作不同興趣的召回，比如Item 2 Item、熱度、新品、語義相似、User 2 X 2 Item等。
召回模型I2I
在I2I這個召回模型中，将使用者的行為分為了長期行為和短期行為，進而分别訓練出一些表格，這些表可能是Item_ID=A的一些商品可能有一些關聯的Item_ID，并且這些Item_ID也會有對應的分值，而一些商品的權重可能會影響最終的分值。當這個表計算完成之後，後續如果有一個User過來，請求就會帶來一個User_ID，根據這個User_ID就能獲一個Trigger，進而擷取一個Item_ID的清單将其推薦給排序模型，并且這個排序模型還能夠接受其他的召回鍊路的推薦。
AIRec核心功能-排序模型
如下圖所示的是排序模型的簡單原理。AIRec會将使用者特征、行為資料以及商品特征全部都進行離線計算，生成針對使用者場景的排序模型。舉例而言，當一個男生過來，他會帶有一些使用者特征和行為特征，根據這些内容就可以在模型表上找到對應的分值，将特征所代表的分值進行相加并進行整體倒排，之後就會得到一個排序完成的Item表格，最後将這些東西作為排序層的輸出給到上面的業務邏輯層。
AIRec核心功能-打散混排
業務邏輯層中有兩個能夠控制的點，就是混排和打散。混排可以配置一些比例，而打散則可以配置一些層級和視窗等。
這裡簡單介紹一下混排和打散的具體功能：
- 混排功能：一方面是為了讓喜好多種物品類型(item_type)的客戶平衡其分發，另一方面是為了讓使用者在浏覽過程中保持物品類型上豐富的多樣性，提升使用者的驚喜度。AIRec的混排功能目前支援image、article、video、short video、item、recipe等6種類型，後面将會增加更多的延展。
- 打散功能：是為了保障在推薦的物品流裡相同類目的物品不重複出現，防止使用者疲勞，保持新鮮度。使用AIRec時可按物品類目(物品表category_level字段)來打散，可根據使用者具體業務的物品層級來設定打散。配置打散時選擇相應的物品類目，再填寫配合該類目層級的視窗期x，即x個物品推薦流裡最多出現一次該類目的物品。
這裡舉個例子，如下圖所示，我們對于體育文章、文娛文章以及經濟文章可以設定視窗為3，也就是使得每3篇文章裡面隻能出現1次同類型的文章，這樣就實作了通過類目進行打散。而混排就是設定文章大約占總量的50%，短視訊和商品大約各占據25%。通過以上的混排和打散就能夠滿足推薦的訴求。
AIRec核心功能-資料儀表盤
阿裡雲智能推薦AIRec可以通過資料儀表盤實作對于資料的跟蹤，包括做分桶測試等。此外，在AIRec上還可以實作基于阿裡巴巴的推薦和基于自建的推薦的對比，并檢視資料走向。目前，AIRec支援的資料名額包括PV_CTR、UV_CTR、PV/UV、Click/UV、活躍的使用者數以及活躍的商品數等。
三、案例及場景
應用案例——内容論壇
這個案例來自深度垂直行業的UGC論壇，其主要接入了AIRec的兩部分場景——首頁的“猜你喜歡”和詳情頁面的“相關推薦”。客戶使用AIRec解決兩個主要痛點，一是提高首頁“猜你喜歡”的使用者點選率，二是期望解決論壇内文章的标題黨問題。針對于這兩個問題，AIRec幫助他們做了兩步的優化，首先是解決标題黨的問題，增加了浏覽時長、點贊、收藏等重點行為特征來解決問題，也就是将标題黨的文章進行降級，使得其排序結果較低，甚至使得其召回不出來。第二步就是調整了時間衰減，對于熱度文章進行了及安全管理，調整了排序模型使得業務可幹預推薦效果。最終達到的效果就是該論壇在其原有系統的基礎之上使得使用者點選率提升了50%。
應用案例——使用架構
前面所提到的論壇客戶同時接入了阿裡雲的搜尋和推薦兩款産品，進而可以形成比較好的化學反應。推薦産品可以承接首頁的流量，使得首頁整體流量的轉化率得以提升。此外，在搜尋方面還接入了OpenSearch産品，能夠滿足使用者高品質精準搜尋的需求，能夠提高有具體浏覽目标使用者的轉化率。通過這兩個服務整體地從流量承接以及精準搜尋解決了使用者的需求。下圖中展示了使用者使用的架構，會将主流場景下的行為包括資料都傳遞到RDS上，并放到MaxCompute DataWorks上進行全量導入，後續還會通過API和服務端SDK進行實時資料回報。資料經過AIRec和OpenSearch兩個産品就可以和客戶的服務端進行互動，客戶的服務端則會進行業務封裝并給到最終的使用者。
應用案例——電商
這裡再介紹一個電商類客戶的應用案例。該案例來自一個國内垂直類電商客戶，阿裡雲AIRec為其打造的推薦産品不僅用于其APP上，還會用于微信小程式等方面。針對于這樣的情況，阿裡雲AIRec也為其實作了兩部分場景，一部分是“猜你喜歡”，另外一個是“相關推薦”，并最終提升了兩個場景點選率。之前他們的場景中存在問題就是SKU比較少，使用者量級相對而言也不是非常大，是以從整體來看在這樣的場景下AIRec能夠幫助客戶達到點選率的提升，效果還是不錯的。總體經過了一個月左右的調優，使得點選率提升了1倍左右。
應用案例——内容平台
第三個案例是内容平台，這個内容平台的特點就是推薦内容比較雜，其利用AIRec的混排和打散功能比較多，因為其主要是一個内容分享平台，同時還帶有電商屬性。他們原有首頁推薦為營運人員人工編輯，有專門團隊每日定時内容更新。後來使用阿裡雲智能推薦進行首頁的内容推薦，經過一段時間的調優使得點選率相較原有系統提升超過一倍。
更多産品詳情請見智能推薦阿裡雲智能推薦AIRec官網。
本文作者：勖勉