天貓，為什么總能“猜”到我想買什么?

天貓，為什么總能“猜”到我想買什么?搜索和推薦，是電商平臺里用戶和商品信息交互的兩種主要方式，也是電商平臺內的兩大自然流量入口。前者為用戶主動觸發(fā)，系統(tǒng)提供智能召回和排序;后者為用戶在特定場景下，被動接收千人千面的個性化推薦的商品。

天貓作為國內頂級的B2C電商平臺，產品打磨時間之久、用戶量級之大有目共睹。本文第一部分依個人愚見，從場景解讀天貓的智能搜索和個性化推薦，第二部分簡要介紹搜索和推薦的中后臺支撐。

PS：產品體驗基于iOS版天貓客戶端 V7.12.10

一、場景解讀 (一)智能搜索

找商品是用戶的基本訴求，搜索欄便是滿足搜索訴求的載體：在搜索欄內輸入關鍵字點擊搜索、搜索列表頁找到合適商品，點擊進入詳情頁購買，這是一個簡單直接的轉化路徑。

有幾個業(yè)務問題需要考慮：

如何理解及預測用戶找什么?

如何根據搜索關鍵詞匹配正確商品?

龐大的搜索結果列表如何排序展示?

天貓的智能搜索解決方案如下：

1. 搜索詳情頁

(1)搜索欄內關鍵詞智能預測

比如搜索關鍵詞“彼得兔”，結果列表頁未發(fā)生點擊，每次返回首頁時，搜索欄內均提供了預測關鍵詞，依次是：彼得兔公仔、動物毛絨玩具、毛絨玩具小、兔子毛絨玩具、毛絨玩具、生日禮物女生等關鍵詞。天貓在通過不斷的修正關鍵詞，預測、挖掘用戶意圖。

(2)最近搜索

可記錄最近幾條搜索關鍵詞，點擊可直接再次發(fā)起搜索行為，提高輸入效率。

(3)猜你想找

搜索欄下還提供了猜你想找，提供了5條推薦關鍵詞，其中有搜索關鍵字相關的個性化推薦，也有不相關的挖潛關鍵詞，是搜索和推薦結合的產物。

(4)圖片搜索

AR buy+、拍照識別，基于圖像識別技術，識別圖片場景中的主體，并搜索庫中的商品。圖片搜索非常適合于不能用語言準確描述主體，又能快速搜索到相關商品的場景。

(5)語音搜索

基于語音識別技術，將輸入語音轉化成文本，搜索相關商品。方便快捷的特性，使語音搜索已經成為搜索引擎的標配。

2. 搜索結果列表頁

傳統(tǒng)的搜索引擎是根據輸入關鍵詞，返回固定檢索結果，而天貓會根據用戶行為和畫像，并結合賣家的流量投放訴求，實時調整搜索結果，以保證搜索結果的召回率、準確率，及個性化的排序。

召回率(Recall Rate)=檢索到的相關商品 / 所有相關的商品總數，也叫查全率。召回率不足會導致明明有此商品卻沒有搜出來。

準確率(Precision Rate)=檢索到的相關商品 / 所有檢索到的商品總數。

排序會根據用戶的歷史行為、品牌偏好、價格偏好、商品銷量、商品評論等，將最優(yōu)結果排在前面，達到個性化的排序，以提高用戶和商品的匹配效率。

(二)智能推薦

同搜索一樣，推薦也是天貓重要的自然流量入口。推薦解決了用戶在逛、找、比、等、湊、買等全鏈路購物場景下，用戶與商品高效的個性化匹配。

天貓的智能化推薦解決方案如下：

1. 首頁

首頁是天貓的第一流量入口，承載著用戶流量分發(fā)、用戶興趣探索等作用。

(1)輪播圖

位于首頁最顯眼的位置，9張banner圖自動切換，位置的優(yōu)越性足以體現其帶來的流量轉化價值。

首頁輪播圖欄位一般是強人工運營的活動欄位，輪播圖內容是針對所有用戶的白名單。但是由于天貓用戶的廣泛性，消費能力各異、興趣各異，因此活動的定向投放可以防止流量資源浪費，提高運營效率。

定向投放的規(guī)則基于用戶歷史行為、興趣偏好、消費能力、促銷敏感度等用戶行為和用戶畫像，如男性用戶看到的秋冬服裝活動推廣是“男士羽絨服”;瀏覽過某款橄欖油的用戶看到“天貓食品頻道買一送一”活動。海報上的橄欖油圖片設計可能出自設計師，也可能出自AI設計平臺“鹿班”。

總之，強人工運營規(guī)則加部分個性化介入的banner，使用戶體驗和流量價值大化。

(2)限時搶購

提供性價比很高的商品，搶購活動倒計時暗示用戶不要錯過。提供的商品列表里有基于用戶長期和近期興趣的商品，也提供了熱門爆款商品，主打性價比，“消費降級”模式。

(3)天貓好物

同樣是基于用戶歷史行為，個性化推薦的商品列表。與其他欄位不同的是，此欄位的商品海報很大很精致，每頁僅展示一個商品——圖片同價格。

推薦業(yè)界公認的法則：推薦場景>UI>算法。鹿班千萬級的白底圖庫提供的白底和素雅海報搭配顯得很精致，讓人聯(lián)想起無印良品和網易的“嚴選”模式。

(4)聚劃算

提供高性價比商品，但已經是阿里旗下另一大平臺，有單獨app。此處為聚劃算引流，不再展開解讀。

(5)發(fā)現品牌

是天貓第五層欄位。不同于其他欄位的商品緯度，發(fā)現品牌是以品牌緯度為切入點，完成品牌新品、資訊的推薦分發(fā)。

(6)限量潮流尖貨品牌&個性化關注品牌

發(fā)現品牌頂層和底層分別是3個每日更新的限量潮流尖貨品牌和4個隨下拉刷新的個性化關注品牌，均是基于用戶歷史行為計算出的品牌偏好。

點開分別展示單品頁和品牌詳情頁，前者的單品頁以品牌某款新品為主，提供該單品的大幅海報及品牌其他新品推薦;后者品牌詳情頁提供了品牌簡介、新品上市、限時特價、品牌資訊等內容，還提供了相似品牌推薦，如根據蘇泊爾品牌推薦九陽、美的等品牌。

(7)天貓小黑盒

中層左側是天貓小黑盒。天貓小黑盒定位于提供全球新品營銷一站式解決方案。天貓官方會從世界各地搜索最近30天新鮮上市的全球新品提供給用戶。天貓小黑盒結合熱賣、熱搜、好評等多重標準，提供基于個人興趣的新品榜單，品類劃分很細。

結合下方的“新品精選”、“最新上架”、“人氣新品”，可大程度解決基于商品的協(xié)同過濾算法遇到的商品冷啟動問題，為新上市商品提供流量曝光和打造爆品的機會。

(8)品牌頭條

中層右側是品牌頭條，實為粉絲福利社，首頁主搜下同樣有入口，提供品牌權益相關。

為什么品牌這個維度也會如此重要?

原因可能有很多。對用戶來講，用戶喜歡高質量的商品，而品牌是高質量的保證，因此在點擊、購買商品時會越來越重視品牌的選擇，有強烈的品牌認同感;另外，用戶還可能是某品牌代言人的忠實粉絲而對該品牌有特殊偏好。

(9)推薦榜單

推薦榜單提供了5個人氣榜單和5個趨勢榜單，均是細分品類，跟用戶的興趣強相關。榜單每日更新，根據銷量、搜索量、好評等通過熱榜算法計算得出，排序是非個性化的。推薦榜單給用戶推薦關注細分類目下的熱門商品，進一步豐富購物場景，促進用戶點擊并達成交易。

此外，還可在一定程度解決用戶冷啟動的問題。榜單是基于用戶興趣的，而不是統(tǒng)一的榜單，是因為：天貓品類繁多，不像圖書類電商或音樂應用可以提供標準化的熱銷榜或Top10;天貓的用戶體量已經足夠大，現階段可淡化用戶冷啟動問題，直接提供基于用戶行為的細分類目榜單也未嘗不可。

(10)猜你喜歡

作為最經典的推薦場景，猜你喜歡欄位位于首頁末尾，第三屏即可劃到，以瀑布流的方式展示近200條個性化推薦的商品。之前的版本，200條推薦結果是分類目展示，比如服裝、電器、食品等，而且類目tab順序還會個性化調整。最近版本去掉類目tab，直接切換為瀑布流的方式。個人感覺不如之前的好。

對用戶，猜你喜歡的推薦場景可大限度的滿足用戶無限刷屏、閑逛的場景。對平臺，可以提供用戶個性化體驗，探索用戶購物興趣，刺激用戶消費，促進交叉銷售。

一般地，猜你喜歡欄位應用基于物品的協(xié)同過濾算法，輸入用戶搜索、瀏覽、加購等行為的商品，也可能會加上用戶的年齡、消費能力、價格敏感度等標簽元素，輸出的直接是推薦結果，很難提供推薦理由。但前兩條推薦結果有推薦理由。進入商品詳情頁不難發(fā)現，推薦理由其實是來自于商品評論中高頻的兩個關鍵詞。

此外，每條推薦結果都提供了“看相似”功能，可以針對當前推薦結果進行下鉆，查看相似商品、相似品牌、相似榜單、相似搭配，進一步挖掘用戶意圖，引導用戶達成交易。

推薦結果的點擊行為可作為正反饋，曝光未點擊、長按刪除行為可作為負反饋，以此為依據持續(xù)對推薦模型進行調優(yōu)，使推薦結果更加精準。

首頁下拉刷新后會切換排序方式，可能是基于兩種不同的排序算法，如點擊率預估CTR/轉化率預估CVR。

2. 商品詳情頁

(1)商品詳情頁

是用戶完成加購、提交訂單行為的重要頁面。用戶看完商品的圖文詳情，如果不感興趣就會跳出該頁面。因此，圖文詳情的最下方，適時地提供了“看了又看”和“精選好貨”推薦欄位。

(2)看了又看

欄位的輸入是當前瀏覽的商品ID，通過關聯(lián)挖掘規(guī)則輸出相關商品，僅展示當前品牌、當前店鋪的商品，該場景的業(yè)務價值在于引導用戶路徑轉化，防止用戶流失，并提供其他相關商品，引導用戶進入詳情頁完成交易。

(3)精選好貨

欄位的輸入是用戶歷史搜索、瀏覽、加購等行為的商品ID列表，通過關聯(lián)挖掘規(guī)則提供的推薦商品列表。該欄位適用于閑逛過程中中斷當前商品的購物鏈路，轉向其他感興趣的商品的場景。但探索用戶的興趣路徑略深，個人感覺，如果改為推薦其他品牌或其他店鋪的相關商品會更閉環(huán)、更合理一些。

對于天貓超市的商品詳情頁，推薦場景則有所不同。

商品詳情頁的首頁下方直接展示推薦欄位，分別是猜你喜歡、看了又看、買了又買?？紤]到天貓超市大部分都是快消品，精選SKU，用戶的選擇成本已經變得很低，比貨、選貨環(huán)節(jié)變弱，交易效率更高，因此推薦欄位從圖文詳情后面的較深位置直接提前到了首個tab第二屏位置。

看了又看

欄位根據瀏覽當前商品的人協(xié)同過濾計算出還看了哪些商品，品類與當前商品一致，提供的是相似商品列表，擴大用戶的挑選范圍。

買了又買

欄位運用購物籃關聯(lián)挖掘，根據購買當前商品的人計算出還買了哪些商品，提供的是互補商品列表，深度挖掘用戶購物意圖，以達到交叉銷售的目的。典型場景如某款嬰幼兒奶粉，看了又看推薦的是其他品牌的奶粉，而買了又買推薦的是母嬰人群關注的日常易耗品洗衣液。

看了又看和買了又買提供的是8條推薦結果，交互為左右滑動加載全部。個人感覺如果將每屏最后的結果只顯示一半，暗示用戶可左右滑動，交互會更合理。當然，是不是天貓的產品經理有意而為之就不好猜測了。

猜你喜歡

欄位更像是兩種推薦策略的結合，即相似商品、互補商品的推薦結果合集。

3. 購物車頁

購物車同樣是非常重要的功能頁，承載著收藏、提交訂單等功能。購物車頁內每個加購的商品左滑有“點擊發(fā)現”，與刪除功能并列，設計也是別有心意，起到一定引導作用。點擊發(fā)現，則根據當前加購商品ID，推薦的相似商品、相似榜單、相似品牌，類似于上述推薦結果列表的“看相似”功能，下鉆推薦，進一步幫助用戶找到目標商品并達成交易。

加購的天貓超市商品有“去湊單”功能，根據天貓超市內加購的商品ID，獲取關聯(lián)推薦的商品列表，以價格緯度展示，完成用戶的“滿88元包郵”的個性化湊單場景。

加購的失效商品，推薦相似的商品列表，推薦策略類似于商品詳情頁的猜你喜歡。

最下方是猜你喜歡欄位，根據加購的所有商品列表，推薦相關商品，可以幫助用戶完成貨比三家的場景。

4. 支付完成頁

商品支付完成，意味著完整的購物鏈路已經完成。支付完成后，下方依然有推薦商品欄位，沒有名字，暫且叫猜你還想買欄位，推薦場景是根據用戶購買及瀏覽足跡，繼續(xù)推薦相關商品，引導用戶點擊并完成下一個購物鏈路，良性循環(huán)。

(三)總結

總體來說，天貓的推薦場景覆蓋了首頁、商品詳情頁、購物車頁、支付成功頁等主要購物鏈路的每個環(huán)節(jié)。

圍繞電商領域幾個核心KPI：CTR點擊率、CVR轉化率、GMV商品交易總額，天貓推薦系統(tǒng)通過復雜、適時的推薦算法和推薦策略，架起了海量用戶和海量商品的橋梁，為用戶千人千面的推薦個性化商品，其核心目標無外乎是：引導用戶點擊、引導用戶轉化、增加用戶粘性。相信隨著推薦場景及算法的不斷迭代，推薦系統(tǒng)會為天貓?zhí)峁└叩匿N售轉化。

二、中后臺支撐

早在2015年，阿里就提出了“大中臺、小前臺”的發(fā)展戰(zhàn)略。其中中臺將集合整個集團的數字運營能力、產品技術能力，對業(yè)務前臺形成強力支撐。本文的下篇就簡要介紹幾個搜索和推薦相關的中后臺。

(一)HA3搜索召回引擎

檢索系統(tǒng)的流程如下：用戶→匹配&推薦→預估模型→排序展示。匹配(match)和排序(rank)是兩個重要環(huán)節(jié)，召回結果的質量主要決定了搜索結果的質量。

HA3是阿里巴巴搜索團隊開發(fā)的搜索召回引擎平臺，經過多年迭代，已經形成一套高效的在線數據存儲和管理框架，離線產出索引，在線響應用query。

(二)在線機器學習系統(tǒng)

面對10億級的商品，全庫檢索是不可能的，將10億商品轉化為30層的二叉樹，機器學習層每層掃描，尋找最優(yōu)，從而將10億次衡量轉換為30次從上到下的衡量。后面的預估模型對給定的商品做興趣度的預估，點擊率預估、轉化率預估，通過預估后面有一些排序展示。

阿里搜索技術體系目前有offline、nearline、online三層體系，既能保證日常流量下穩(wěn)定有效的搜索，也能滿足雙11場景下的短時高并發(fā)。通過批量日志下的offline離線建模，到nearline下針對增量數據的實時建模在線預測，然后到在線機器學習和決策。

傳統(tǒng)的LTR(learning to rank)是根據歷史的數據構造樣本，回歸出排序權重。這種方法解釋了過去的現象，但未必是全局最優(yōu)的。經常給用戶反復展示歷史行為的檢索結果，缺少有效的探索能力。而通過在線強化學習(Reinforcement Learning，RL)，可對商品排序進行實時調控優(yōu)化。

強化學習的過程很像是條件反射。如果把搜索引擎看成智能體(Agent)，用戶看成環(huán)境(Environment)。Agent每一次排序策略的選擇可以看成一次試錯(Trial-and-Error)，把用戶的反饋，點擊成交等作為從環(huán)境獲得的獎賞。在這種反復不斷地試錯過程中，Agent將逐步學習到大化累計獎賞，從而得到最優(yōu)的排序策略。

(三)品牌個性化排序系統(tǒng)

前面文章提到過品牌的重要性，除了在首頁的“發(fā)現品牌”欄位，搜索結果排序中，品牌因素也至關重要，將不同品牌的商品混雜在一起無疑增加了選擇成本。

跟品牌強相關的特征即價格，因此將商品價格劃分為7個區(qū)間，并結合8個電商指標：CTR點擊率、CVR轉化率、GMV商品成交總額、ATIP客單價、搜索次數、點擊次數、加購次數、交易次數，形成56維向量。

用戶行為類型特征也跟品牌強相關，購買的權重會大于瀏覽和加購的權重。然后基于此訓練一個分類器。針對給定的用戶id，使用分類器預測喜歡不同品牌的概率，基于概率對品牌排序。最終的搜索結果排序中，融入品牌的特征，滿足了有品牌偏好用戶的需求。

(四)電商知識圖譜

阿里擁有全國大的電商領域關系圖譜，約幾十億實體、千億邊和幾十種關系類型。其中包括：

用戶社交圈：新浪微博關注、支付、淘寶天貓關注、通訊錄、家人、好友等;

用戶生活圈：家庭住址、工作地點、小區(qū)、城市、學校、商圈等;

用戶行為：商品的瀏覽、加購、收藏、購買、評價等;

用戶標簽：偏好類目、偏好品牌、偏好店鋪等;

商品關系：商品相似、同款、搭配、一起買、湊單等。

知識圖譜將數據和知識高度結構化，可應用在搜索次歸一、搜索推理聯(lián)想、智能問答、智能審核商品發(fā)布等領域。

(五)ABFS統(tǒng)一特征服務平臺

ABFS(AliBasic Feature Sever)，統(tǒng)一特征服務平臺，主要負責用戶實時數據的處理及特征統(tǒng)計，如用戶的基礎行為特征(瀏覽、加購、收藏、購買)、統(tǒng)計特征(點擊次數、轉化率)。用戶的實時數據在ABFS上，傳遞到TPP平臺供BE調用。

(六)TPP推薦平臺

TPP(ThePersonalization Platform)平臺，也稱阿里推薦平臺，承接了阿里集團300+重要的個性化推薦場景，包括首頁猜你喜歡、購物鏈路等。TPP平臺集成了RTP、iGragh、BE等常用服務，方便數據的流動調用，降低開發(fā)成本，幫助業(yè)務和算法快速上線迭代。

(七)BE向量化召回引擎

BE(BasicEngine)，向量化召回引擎，是DII中的推薦召回引擎，負責從多種類型的索引表中召回商品，并對候選商品集合進行過濾和粗排序。線上召回效率極高，可以在幾毫秒內對全庫商品進行召回。

(八)RTP實時打分預測引擎

RTP(RealTime Prediction)，實時打分預測引擎，收到TPP推薦系統(tǒng)的前端請求后，RTP平臺實時產出特征，運行CTR、CVR等各種預估模型，并對請求列表中的每個商品計算分值，得出精排序結果列表。

(九)iGragh圖查詢引擎

超大規(guī)模分布式在線圖存儲和檢索。數據流程中的用戶特征、用戶偏好類目、熱門商品召回等信息，不需要頻繁更新，存到iGragh上方便存儲和調用。

(十一)Porsche在線學習平臺

Porsche是基于Blink的分布式流式計算框架，提供了日志處理、特征計算和實時建模的插件接口。算法人員通過在Porsche平臺上離線調試模型，調到最優(yōu)結果再發(fā)布到線上。如：用戶商品復購率模型、用戶商品喜好歸因分析模型等。

(十二)智能設計平臺

智能設計平臺，包括智能生成、創(chuàng)作助手、智能排版、設計拓展等功能模塊，可幫助企業(yè)快速、批量、自動化的進行圖片設計。

一鍵生成：將商品相關素材、文字輸入，選擇自己需要的海報尺寸、風格等，可自動生成符合要求的海報作品。

智能排版：將拍攝好的照片和需要的文字輸入，選擇尺寸，可自動生成帶有隨機風格的海報作品或產品展示。

設計拓展：將設計完成稿輸入，選擇需要拓展的尺寸，可自動生成相應拓展尺寸的結果。

智能創(chuàng)作：擁有自己獨特風格的設計師將自己創(chuàng)作好的系列作品輸入，可以訓練機器，并成為系統(tǒng)新的效果風格。