个性化推荐的技术挑战
某中心庞大的商品目录使得以无数种方式个性化客户的购物体验成为可能。当某中心商店预测您回来购买您的狗喜欢的零食时,您在主页上看到这个选项并不奇怪。但也可能有类似品牌值得您为爱犬考虑。此外,您可能该买更多洗面奶了,您愿望清单中的某个商品正在打折,并且有几个选项与您前几天寻找的牛仔裤相匹配。
深度学习驱动的实时推荐
某研究团队使用科学方法向客户呈现最相关的产品。作为个性化战略计划的研究科学总监,该团队应用深度学习为客户提供量身定制的实时推荐。"我们的目标是理解客户在那一刻的意图,并提供相关的体验和产品,"她说。"我们正在解决的复杂性以及我们产生的影响,使我们的团队成为科学家的避风港。"
应对噪声环境中的科学问题
正如每个购物者所知,您到达商店时打算做的事情和您实际做的事情往往是两回事。您购买狗零食是因为您打算这样做,还是因为看到它们提醒了您?
在嘈杂的环境中理解客户的偏好可能具有挑战性,因为客户可能有多种潜在因素促使决策。例如,如果产品的位置影响了决策,那就是由位置引起的偏差情况。有些商品更可能被客户选择,仅仅因为它们被放置在更显眼的位置。这只是该团队试图解决的众多挑战之一。
"在非常嘈杂的环境中存在各种有趣的科学问题,"该负责人表示。"在这么多事情同时发生的情况下,您如何设计实验并真正学到正确的东西?"
推荐算法的优化与改进
该团队发表了关于如何在可能的选项领域中优化推荐的研究——例如,应该推荐《玩具总动员》是因为它与您相关,还是仅仅因为它是一部非常受欢迎的电影?在论文《不要推荐明显的:估计概率比率》中,他们证明了流行度采样指标更适合个性化推荐,因为它们直接衡量系统识别对用户特殊物品而非一般可能物品的能力。
另一个挑战是使推荐系统变得透明。虽然深度学习算法优于传统方法,但默认情况下,它们不会为得出的结论提供任何理由。
"通常,如果客户知道他们为什么收到推荐,他们更有可能与推荐互动。但我们谈论的是数百万条记录才能得出响应。您如何为客户解读这些?"她说。"方法的复杂性、海量数据和预期的响应时间延迟使这个问题极具挑战性。"
技术创新与跨领域合作
该团队与某机构的学者合作解决此类问题。这些合作包括大量的头脑风暴会议。"这不仅帮助我们进步,而且也是一个很好的人才吸引力,"该负责人谈到这种关系时说。"科学家被一个在科学中培养创新和研究的社区所吸引。"
该团队确保20%到30%的时间用于他们认为是未来的探索性研究——这些工作在短期内可能没有直接的业务影响。
"对于这类研究,我有更高的失败容忍度,"她说。"科学家需要那种探索的自由,感到兴奋。那种能量是您拥有高绩效团队和正确文化所需要的。"
技术落地的实践要求
任何想在工业界工作的科学家都必须有实用的心态。"您需要能够使用数据科学来解决业务问题,"她说。"通常最难找到的人才,是能够连接不同领域的人才。"
无论您是什么级别的领导者,都不应该与自己领域之外的实际情况脱节。如果没有吸引人的客户体验设计和强大的工程系统,科学将无法产生影响。
技术研究领域
- 搜索和信息检索
- 推荐系统
- 需求预测
相关技术内容
- 使用图神经网络推荐相关产品:每个节点的双重嵌入(作为源和目标)和新颖的损失函数使性能比前代提高了30%到160%
- 使用超图改进产品检索:用描述产品-产品关系的超图增强查询-产品图,使召回分数提高了48%以上
更多精彩内容 请关注我的个人公众号 公众号(办公AI智能小助手)或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号(网络安全技术点滴分享)
公众号二维码
公众号二维码