五分钟读懂SIGIR 2017前沿技术研究成果
SIGIR是展示信息检索领域新技术和新成果的顶级国际会议。
SIGIR 2017 今天开幕，今年阿里巴巴共有两篇文章被大会收录。 以下内容为被收录文章精华内容简述。 一、基于概率隐层模型的购物搭配推送 论文链接：https://arxiv.org/pdf/1707.08113.pdf 这篇文章中，我们对电商领域营销推送场景进行点击率的优化。
SIGIR是展示信息检索领域新技术和新成果的顶级国际会议。 SIGIR 2017 今天开幕，今年阿里巴巴共有两篇文章被大会收录。
以下内容为被收录文章精华内容简述。
一、基于概率隐层模型的购物搭配推送
论文链接：
https://arxiv.org/pdf/1707.08113.pdf
这篇文章中，我们对电商领域营销推送场景进行点击率的优化。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。
为解决第一个问题，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）
第一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