亚马逊利用AI发现客户为何购买看似无关的产品

 
为什么客户购买似乎与他们的网络和语音助手搜索无关的产品?这是一个很好的问题-亚马逊研究人员小组试图在定于2月即将举行的ACM Web搜索和数据挖掘会议上进行的一项研究中回答。他们在报告中说，他们的分析(着眼于购买和“互动”，后者被定义为诸如将搜索结果发送到手机并将产品添加到购物车中的交互)表明，客户偏爱比以下产品更受欢迎或更便宜的产品与给定搜索查询相关的产品。此外，他们说，人们在诸如玩具和数码产品等少数类别中购买或使用不相关的产品的可能性要比美容产品和杂货类别中的更大。
“产品搜索算法，例如帮助客户通过[我们的Alexa助手]下订单的算法，旨在返回与用户查询最相关的产品，其中相关性通常被解释为“满足用户需求的任何内容，” Alexa Shopping集团应用研究高级经理Liane Lewin-Ey​​tan在博客中写道。 “评估客户满意度的常用方法是依靠人工注释者的判断。 (我们仅对1%的互动进行注释。)”
为此，研究人员使用统计方法来识别发出过短查询或异常长查询的客户，他们说，与中等长度的查询相比，他们在购买决策方面趋于灵活。他们还考虑了相关产品和无关产品之间的关系，以使两个产品具有相同的类型，品牌或类别或者倾向于一起购买时具有间接关系。

 
在执行统计分析之后，进行了一对实验，以评估在亚马逊搜索结果中包括不相关产品的价值。首先，团队确定了1,500个查询，每个查询与一个相关产品和一个不相关产品相关联，然后他们考虑了对所有产品应用五种不同产品选择策略的结果。
第一个策略-最佳-始终选择要导致更高购买水平或参与度的产品，具体取决于要衡量的产品。 (在此，参与度或购买级别是导致参与度或购买动作的交互与数据样本中所有交互的比率。)相关策略始终返回相关产品，而无关策略总是返回无关产品，随机选择两者之间，最差的产品总是退还导致购买或参与度降低的产品。
也许不足为奇的是，研究人员报告说，通过仅选择相关结果和最佳水平(包括涉及无关结果的购买和参与)，在参与和购买水平之间存在“显着”差距。
在一个单独的测试中，团队使用相同的1,500个查询来训练三种不同的机器学习模型：一种被教导最大化相关性，第二种被最大化购买水平，第三种被最大化参与度。然后，他们建立了两个融合模型-一个将关联性模型和参与度模型结合在一起，另一个将关联性模型和购买模型结合起来-比较它们的整体绩效。
研究人员报告说，相关性与购买或参与程度之间需要权衡取舍–一项绩效的提高会影响另一项绩效。这可能是因为，如果结果不能满足客户的需求，但看起来很相关，那么客户可能会理解并可能会原谅，而且购买和参与度级别会获得比人类注释更能传达的主观相关性。
Lewin-Ey​​tan写道：“我们用来评估相关性与购买/参与度之间权衡的模型相当粗糙。” “更复杂的机器学习模型应该能够取得更好的结果，特别是如果经过明确训练以考虑我们之前确定的某些因素(例如查询长度，价格和间接关系)时，尤其如此。虽然仍是初步的，但我们的结果为如何设计产品搜索算法提供了新见解，并建议在将结果返回给客户时应同时考虑客观相关性和购买/参与度因素。”