[论文解读] A Brand-level Ranking System with the Customized Attention-GRU Model

Yu Zhu, Junxiong Zhu+5 more|arXiv (Cornell University)|May 23, 2018

Recommender Systems and Techniques参考文献 13被引用 5

一句话总结

本文提出了首个面向电商平台的品牌层级排序系统，采用经过定制的Attention-GRU模型，并引入三项关键改进：(1) 手工设计的品牌特征与学习得到的嵌入向量融合，(2) 区分点击与购买行为，(3) 集成时间门机制以建模时间动态。该系统在淘宝的在线A/B测试中显著提升了用户参与度和GMV，GMV提升3.51%，CTR提升0.39%。

ABSTRACT

In e-commerce websites like Taobao, brand is playing a more important role in influencing users' decision of click/purchase, partly because users are now attaching more importance to the quality of products and brand is an indicator of quality. However, existing ranking systems are not specifically designed to satisfy this kind of demand. Some design tricks may partially alleviate this problem, but still cannot provide satisfactory results or may create additional interaction cost. In this paper, we design the first brand-level ranking system to address this problem. The key challenge of this system is how to sufficiently exploit users' rich behavior in e-commerce websites to rank the brands. In our solution, we firstly conduct the feature engineering specifically tailored for the personalized brand ranking problem and then rank the brands by an adapted Attention-GRU model containing three important modifications. Note that our proposed modifications can also apply to many other machine learning models on various tasks. We conduct a series of experiments to evaluate the effectiveness of our proposed ranking model and test the response to the brand-level ranking system from real users on a large-scale e-commerce platform, i.e. Taobao.

研究动机与目标

• 为解决现有电商平台系统中缺乏个性化品牌层级排序的问题，即品牌与商品混杂，用户需手动筛选。
• 通过降低强品牌偏好用户的信息筛选成本，提升用户体验。
• 构建一种机器学习模型，有效捕捉用户行为序列与时间动态，实现精准的品牌偏好预测。
• 在大规模电商平台的离线与在线环境中评估所提出系统的性能。
• 通过消融实验与可扩展性分析，验证模型改进措施的有效性。

提出的方法

• 系统将品牌排序建模为点分类问题，预测用户对每个品牌的偏好概率。
• 提出一种定制化的Attention-GRU模型，包含三项核心改进：(1) 手工设计的品牌特征与学习嵌入向量的拼接，(2) 对点击与购买行为进行独立处理，(3) 集成时间门机制以建模行为间的时间间隔。
• 模型采用门控循环单元捕捉用户行为序列中的长期依赖关系，并利用注意力机制加权历史行为的重要性。
• 特征工程包括品牌价格、行为频率以及从用户点击与购买日志中提取的时间模式。
• 模型通过端到端方式使用用户行为序列进行训练，注意力权重动态聚焦于相关的历史行为。
• 离线评估采用AUC与F1分数；在线A/B测试则衡量淘宝天猫搜索场景下的CTR、ATIP与GMV。

实验结果

研究问题

• RQ1 如何有效利用电商平台中的用户行为序列来预测个性化品牌偏好？
• RQ2 在品牌排序任务中，哪些核心组件能显著提升序列模型的性能？
• RQ3 手工设计的品牌特征与学习嵌入向量的联合使用，对模型性能的提升程度如何？
• RQ4 对行为类型（点击 vs. 购买）与时间间隔的建模，如何影响排序准确性？
• RQ5 该品牌层级排序系统在真实场景中对用户参与度与业务指标的实际影响如何？

主要发现

• 在淘宝天猫平台的在线A/B测试中，所提出的品牌层级排序系统相较基线实现了GMV 3.51%的相对提升。
• 系统CTR提升0.39%，ATIP（平均交易商品价格）提升3.40%，表明用户参与度提高且购买质量更优。
• 消融实验表明，三项模型改进均显著提升性能，其中特征-嵌入融合（改进1）贡献最大。
• 随着训练数据量增大，完整模型与消融版本之间的性能差距进一步扩大，表明改进1因参数量更高，更能从更大规模数据中获益。
• 该系统已投入生产环境，日均服务近40万名活跃用户，验证了其在真实场景中的可扩展性与用户采纳度。