目前，店铺展示形式主要还是以商品卡片为主，包含店招区域（店铺标题、店铺背书、背景图、回头客评论等）和商品区域（可滑动查看多个商品），如下图所示。
卡片排序是本场景比较独特的一环：相比于商品和店铺，卡片是一个两级结构，排序时需要同时考虑商品和店铺。我们将卡片排序建模为级联模型：商品排序和卡片排序，商品排序用于选择卡片内的商品从而组装卡片，卡片排序用于对组装好的卡片进行排序。
-
店品两级建模：基于店品召回引擎返回的候选卡片（一店+N品），店品排序模型采用级联的方式端到端地对商品和卡片进行两级打分，并最终实现卡片组装（一店+三品）和卡片排序。 -
多目标优化：同时建模一跳和二跳指标，实现点击和引导类指标双增长；
▐ 店品两级建模
卡片是一个两级结构：包含店铺和商品。一开始我们尝试对卡片整体进行建模，模型输入包括 商品、店铺、用户侧特征。模型结构如图所示，但是鉴于本场景流量较少，初期训练数据不够，从头训练一个复杂的卡片排序模型难度较大。因此我们考虑将卡片排序分解为两部分：商品排序和卡片排序。其中，商品排序预估用户对目标商品的点击率，可以借鉴其他成熟场景的商品预估模型，我们这里借鉴了首猜的商品排序模型；而卡片排序在接收到商品排序的分数后，首先根据商品分数截取 top3商品用于组装卡片，然后预估用户对卡片整体的点击率。我们称之为 ItemAwareShopRankingModel（简称为IASM），其模型结构如下图所示：
商品排序
对于商品排序模型，用户的行为序列是非常重要的特征；而用户的行为序列越长，模型对用户的兴趣捕捉的更为精准，因此如何利用用户长期行为成为一个研究热点；例如阿里妈妈团队的 SIM [1]、淘宝首猜团队的 ETA[2] 都取得不错的效果。
我们借鉴了SIM 和 ETA 两种模型，实现对用户长周期兴趣建模，具体模型结构如下：
但是实践中发现，基于首猜模型直接finetune负向效果明显。分析发现首猜样本和好店商品样本差异较为明显，且本场景样本数据量较少而模型参数量较大，因此，因此在实践中只训练揽月模型的LogitsLayer和BiasNet部分，具体实验结果如下。
卡片排序
-
组装卡片：基于商品排序的分数，卡片排序模型选择 top3 用于组装卡片； -
卡片排序：引入商品分、用户特征以及店铺特征，经过若干层全连接后，得到卡片的 ctr 分。
-
考虑除了店铺特征外，增加更多商品特征； -
增加用户近期行为序列，与3个商品做 target attention，建模用户对商品的偏好； -
增加 self-attention 建模 3个商品之间的联系；
-
商品特征中的 ctr 分已经代表了用户对品的喜好程度（商品特征、用户近期行为序列在商品排序模型中已经存在），增加商品特征和用户行为序列不能带来额外收益； -
经过数据分析发现，3个商品的类目是否一致对卡片整体 ctr 无明显影响 ，推测用户对卡片整体的感知并不强烈。另外，经过统计，卡片内3个商品的点击数比例约为 7:2:2，用户还是对第一个商品的感知比较强烈。
▐ 多目标建模
作为店铺导购场景，我们的核心目标是为了帮助用户找到其感兴趣的好店。因此为了增强用户对“好店”的认知，让用户进店后“逛起来”，我们尝试去优化场景的引导类指标（包括引导订阅、引导ipv和引导停留时长等）。另一方面，我们对一跳点击指标和引导指标进行相关性分析，发现点击和引导ipv以及引导停留时长等任务相关系数较高（0.895），两者联合建模可能会有正向收益，具体数据如下：
另外，考虑到引导ipv和引导停留时长任务相关度很高（0.957），因此选择只对引导ipv进行建模；最终，我们选择对点击、引导订阅以及引导ipv等任务进行多目标联合建模。
建模思路：将点击、和订阅任务建模为二分类，将引导ipv任务建模为多分类（需预先对引导ipv进行等频分桶）；直接建模 从曝光到点击的概率（click）、从曝光到订阅的概率（subscribe）、从曝光到引导ipv（lead_ipv）；
训练数据：
点击任务：点击样本作为正样本，曝光未点击样本为负样本；
订阅任务：点击且订阅样本为正样本，曝光未点击以及点击未订阅样本为负样本；
引导ipv任务：预先对引导ipv等频分为五个桶，再加上负类（曝光未点击），将所有曝光样本分为六类；
模型结构：采用 shared-bottom 网络结构，底层参数共享，顶层 每个任务有单独的 tower，期望能够学习到不同任务特有的 feature，模型结构参考参考图1。
多任务模型
除此shared-bottom网络结构之外，我们还尝试了其他的多任务模型，包括 ESMM[3] 和 MMOE[4] 等，但离线训练并未取得明显提升，因此没有上线。
多目标分数融合
我们在融合多个任务分数时，尝试了公式法和模型融合两种方法：
公式法融合：参考 ctr 和 cvr 的融合公式
，我们将其推广到融合点击分、订阅分和 引导ipv分：
，其中
表示店铺从点击到订阅的概率，
表示 引导ipv分数和 ctr 的比值。经线上AB实验，最终确定一组最优参数
。ltr 模型融合：将多个目标加权组合得到最终目标，然后使用 gbdt 回归模型去拟合最终目标：
。相比于公式法，ltr模型提升明显：人均曝光卡片数+1.39%，人均点击卡片数+1.36%，引导停留时长+7.13%，全引导IPV+7.95%，全引导订阅-0.24%。
卡片重排
浏览深度在一定程度上能代表用户对于本场景的心智，浏览深度越高，表明用户对于本场景的心智越强；因此我们在后期尝试去优化整体信息流的下翻深度，期望通过卡片重排来提升用户的浏览深度。
▐ 下翻概率建模
为了优化浏览深度，我们尝试对用户下滑概率进行建模。
个卡片，
表示卡片
的下滑率，
表示卡片
的点击率，则卡片
的IPV价值为
，卡片
的价值为
...
-
候选序列生成：采用 beam-search算法，在每个位置保留整体累积收益最大的BeamSize个序列； -
序列选择：选择整页ipv价值最大的序列，作为最终透出序列；
-
卡片组装：目前是通过贪心的方法选择分数最高的 3个商品用于组装卡片，但是这样并不一定能得到全局最优解，因此卡片组装是一个值得探索的方向。在这个问题上，我们有两种思路：
-
一店多卡：对于1个店铺组装多个卡片，然后使用卡片排序模型去选择最优的一个； -
卡片内商品重排：借鉴重排技术，实现从N个商品中选择3个组装成卡片使卡片整体的点击率最高。
-
卡片重排：
-
目前卡片重排是 point-wise 建模，未考虑上下文卡片之间的关系，未来可以升级到 list-wise； -
目前卡片重排 仅考虑卡片之间顺序，可以同时考虑卡片内商品的顺序，做成两级重排；
引用
[2] 阿里定向广告新一代主模型：基于搜索的超长用户行为建模范式
[3] Ma X, Zhao L, Huang G, et al. Entire space multi-task model: An effective approach for estimating post-click conversion rate[C]//The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. 2018: 1137-1140.
[4] Ma J, Zhao Z, Yi X, et al. Modeling task relationships in multi-task learning with multi-gate mixture-of-experts[C]//Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining. 2018: 1930-1939.
我们是大淘宝技术的好货&好店技术团队，主要服务淘宝两大导购业务：有好货和每日好店，为上亿消费者提供导购服务，为千万商家、机构和达人提供内容运营平台和商业化方案，致力于通过技术和业务创新提升淘宝导购效率。团队研究方向主要包含商品推荐、内容推荐、AIGC等，我们在推荐算法领域也有很深的技术沉淀，在国际会议和杂志上发表数十篇学术论文。
大淘宝春季 2024 届实习生招聘已正式启动，欢迎对导购业务感兴趣的同学加入我们，可将简历发送到 houwei.hou@alibaba-inc.com
¤ 拓展阅读 ¤
本文分享自微信公众号 - 大淘宝技术（AlibabaMTT）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
