面向电子商务的实时整页个性化框架
信息检索
2020-12-10 v1 机器学习
摘要
电子商务平台持续致力于提供个性化推荐以提升用户参与度、改善整体用户体验并优化业务指标。多数电子商务平台主页包含多个轮播模块，各自试图捕捉购物体验的不同侧面。鉴于用户偏好各异，优化这些轮播模块的排布对提升用户满意度至关重要。此外，轮播内条目可能随顺序用户行为动态变化，因而需要对轮播进行在线排序。本工作中，我们提出一个可扩展的端到端生产系统，用于在 Walmart 在线杂货主页上实时最优排序条目-轮播。所提系统利用一种新颖模型捕捉用户对不同轮播的亲和度及其与未见条目交互的可能性。我们的系统在设计中灵活且易扩展至需对页面组件排序的场景。我们给出由模型开发阶段与在线推理框架构成的系统架构。为保障低延迟，在这些阶段实施了多种优化。我们进行了广泛在线评估以对先前经验进行基准测试。在生产中，我们的系统提升了条目发现率、增加了在线参与度，并显著提高了主页每位访客的加购(ATC)量。
引用
@article{arxiv.2012.04681,
title = {A Real-Time Whole Page Personalization Framework for E-Commerce},
author = {Aditya Mantha and Anirudha Sundaresan and Shashank Kedia and Yokila Arora and Shubham Gupta and Gaoyang Wang and Praveenkumar Kanumala and Stephen Guo and Kannan Achan},
journal= {arXiv preprint arXiv:2012.04681},
year = {2020}
}