论文链接：https://arxiv.org/abs/1707.08113
这篇文章中，阿里研究者们对电商领域营销推送场景进行了点击率的优化。营销推送场景和传统电商推荐场景有很多类似的地方，但也有所不同。首先，营销推送的点击率受文案影响很大，和用户直接相关的文案的点击率会明显高于通用的推送文案；其次，每次营销推送只有一个展示坑位，因为对推送商品的准确度要求更高。
为解决***个问题，我们进行「购物搭配」场景的推荐。购物搭配场景推送一个和用户已购买商品的搭配商品，比如当用户买了高级茶壶后对上好茶叶进行推送（下图第二个推送信息）。购物搭配的好处是文案中可以透出用户已购商品，消息可以和用户建立强烈的 attachment，提升消息打开率。
为寻找搭配商品对，我们定义如下两个指标：
1）同时购买分数（Co-Purchase Graph）
2) 看了又买分数（View-and-then-Purchase Graph）
***个指标衡量了两个商品之间的互补性（complementarity），第二个指标衡量了两个商品的替代性（substitutivity）。购物搭配场景下，我们希望寻找高互补性、低替代性的商品对进行推荐。因此，我们把商品对「搭配性」的得分定义为：
这个分数是我们推荐模型中的一个重要特征。
为了解决推荐准确性的问题。我们对用户分层进行更细致的刻画。我们的主要思想是基于用户行为对用户的向量表示（Embeddings）进行学习，然后我们用这些向量表示对用户的行为进行预测。向量表示可以理解为对用户在高维度的一个量化的抽象表示。
向量表示的好处是可以更精准，更灵活的对目标进行表达。举个例子，我们对用户的描述不仅仅局限于年龄、消费能力等人可以 Intuitively 容易想到的维度，人工智能可以自动从消费者数据中学习到更全面更抽象的维度，比如用户对推荐平台的依赖程度，用户对选择商品的创新性等。
用户向量的学习我们采用的是概率隐层模型（Probabilistic Latent Class Modeling）。首先我们定义用户点击模型如下：
这个模型分为两层，***层是隐层用来刻画用户在高维度下的分层，采用多维逻辑回归分类的形式。
第二层是点击率预测模型。我们这里选择了一个二维逻辑回归模型。不过可以很容易的扩展使用深度神经网络。
我们要在已知用户特征和点击数据的条件下估计模型参数。我们采用经典的 EM（Expectation-Maximization）算法。
EM 算法需要先求解 Q 函数：
为优化 Q 函数我们对参数进行迭代优化如下：
上面两个更新很容易通过 Gradient Decent 方法求解。
下图是我们对求解模型的一个解释。我们发现高活跃用户更加看中自己的倾向，预测模型的权重在用户偏好类的特征中高（high model weights on user preference features）；低活跃用户更加依赖于平台的推荐，更喜欢平台选择的搭配性好的商品，预测模型权重在商品搭配性的特征权重高 (high model weights on )。这可以直观的理解为深度用户在选择商品上更有自己主见，而新手更依赖于平台。
目前该工作在线上取得了不错的效果，购物搭配的推送推荐场景上看到~50% 点击率的提升。
更广义地来讲，这项技术给行业带来的好处的是可以更精准和全面的刻画用户，进一步推广可以用来描述商品、资讯、视频等其他目标。该技术可以帮助使我们的营销推荐更友好（了解用户），同时从商业上提高转化率（高点击率）。
