阿里巴巴B2B电商算法首次对外公开( 二 )

榜单3：长袖T恤榜、长袖T恤衫榜。

仅仅从名称入手，榜单3是比较好合并的，而榜单1和榜单2就不太好合并了。榜单的合并必须从榜单中的商品集合入手。这里我们用了jaccard相似度计算的方式解决这个榜单合并的问题。
假设A榜单的商品集合为A ， B榜单的商品集合为B ，那么通过jaccard相似度计算的公式， A与B的交集除以A与B的并集，就得到榜单A和榜单B的相关度了。相关度越高，两个榜单就越好合并。
利用这个方法，可以非常快速地找到两个相似的榜单，但是如果直接拿jaccard相似度来计算会有一些极端情况。比如要计算A和B两个榜单的相关度，假设A榜单中所有的商品几乎都出现在了B榜单中，但是A榜单的商品集合相对较小， B榜单的商品集合很大，那么根据jaccard相关度计算公式，两个榜单的相关度会非常小，从而使两个榜单无法合并。这个时候我们需要把jaccard的相关度算法做个小改进：

本文插图
其中A为A和B中元素较少的榜单集合。如果发现A榜单和B榜单内的商品集合相关度高，那么就把A榜单合并到B榜单中，这样就可以比较好地规避上面提到的问题。
02 榜单召回推荐
榜单召回主要考虑用户的实时足迹偏好和类目偏好两个维度，如图6-17所示。

本文插图
▲图6-17 榜单召回策略示意图
主要的召回策略如下所示。

I in B：如果用户的足迹在某个榜单的商品中，那么召回对应的榜单
I2I in B：如果用户的足迹不在榜单商品中，那么将用户浏览过的商品扩展到更大的商品集合，再匹配到榜单内的商品，然后把对应的榜单召回
C2B：根据偏好类目召回榜单

03 榜单内商品排序
为了保证榜单的权威性，并不会对榜单内部商品进行个性化排序。对榜单内部的商品，按照大促所属的不同周期选择不同的排序方案。预热期按照买家的访问和下单的情况进行排序，大促爆发期则按照商品的实时GMV进行排序。
当然，也可以引入机器学习和深度学习构建排序模型，这部分内容和搜索、推荐比较类似，就不展开陈述了。
04 榜单个性化文案
1. 背景
榜单作为商品内容化的重要载体，如何展示更丰富的信息，起到“种草”、辅助成交转化的作用，一直是这一产品优化的方向。
我们通过智能文案技术，为榜单生成定制化的描述文案，通过一句话概括榜单内商品的功能功效和设计亮点，使其不只是商品的简单聚合，还能打出特有的内容心智。整体技术方案如图6-18所示，我们尝试加入风格控制，目的是在智能文案生成的过程中控制文案的风格。

本文插图
▲图6-18 榜单文案算法模型
2. 数据预处理
我们采用基于单品的短亮点文案数据进行模型训练。榜单作为相同细分品类商品的聚合，包含的商品属于相同的品类并具有相似的属性，因此可以采用单品文案模型进行生成。
在测试数据上，我们首先选取了各榜单头部N个商品的标题，进行分词后，以TF-IDF算法计算词权重。以当前榜单中的词，在相同叶子类目的所有榜单中出现的频率作为其逆文档频率（IDF），与其在当前榜单中出现的频率（TF）相乘后进行排序，旨在选出当前榜单中最具有代表性的K个关键词，作为模型的输入。
3. 风格控制
榜单作为产品化组件，往往会在不同主题的日常与大促会场进行插入。因此，需要配合不同的使用场景，生成不同风格的榜单文案。