推薦系統
Recommendation System
什麼是推薦系統?
- 分析喜好與行為,推薦可能喜歡的內容
- Netflix·YouTube 的引擎
- 個人化的代表
一旦導入推薦,改變的不只是幾個版面格子,而是陳列權從人轉移到模型的事實。過去由商品企劃(MD)與企劃人員在會議中決定主視覺橫幅與上方曝光順序,現在首頁會依每位使用者重新組裝。因此導入初期爆發的衝突不在技術,而是位置之爭。需要推廣促銷商品的行銷團隊,與想提高點擊率的模型會爭奪同一個版位,最後只能把「固定區域佔幾格、演算法區域佔幾格」的共識寫成文件留存。
方式大致分為兩類。「協同過濾」會參考與自己行為相似的人看過什麼,資料越多越準,但面對新用戶與新商品就束手無策。相反地,「內容導向」會讀取商品說明、標籤與分類,從上線第一天就能運作,代價是總是推薦相似的東西。因此實務上多半會混合兩者,運作上也會拆成候選生成與排序兩階段。先從數萬筆中篩出數百筆,再只對這數百筆精細排序,才能讓回應時間控制在數十毫秒以內。
判斷標準也分兩層。開發階段會看 Recall@K、NDCG 等準確度指標,但最終勝負取決於 A/B 測試的轉換率與回訪率。離線分數提升、實際營收卻原地不動的情況並不少見。與規則式「一起看過的商品」的界線也很清楚:規則不論誰進來都給同一份清單,推薦系統則是同一頁面上每個人看到的清單都不同。這意味著從一開始,營運成本與管理難度就是另一回事。
現場最常出錯的地方,是把「經推薦產生的營收」全部算成推薦的功勞的習慣。反正本來就會買的人,多推一次,指標會上升,總營收卻原地不動。若報告成效時沒有關閉推薦的對照組,預算只會增加,效果終究無法證明。庫存售罄的商品或已修完的課程仍持續曝光的事故也很常見,遇過一次的使用者就會開始用眼睛直接過濾掉推薦區。多樣性規則與排除條件最好在上線前先定下來。
1990 年代從協同過濾研究起步,歷經 2006 年 Netflix 推薦大賽等發展,之後借助深度學習變得更加精準。
我們以虛構案例來看看。國內零組件製造商 A 公司擁有全體員工 3,200 人,內部學習平台上掛有 1,840 門課程。然而每月造訪者中,能走到修完課程的比例僅 19%,前 30 門熱門課程就囊括了全部修課人次的 71%。HRD 團隊長說:「課程很多,卻沒有人找得到自己需要的。」
- HRD 團隊的金副理拉出近 12 個月的搜尋、修課與中途退出紀錄後發現,搜尋詞前 100 名中有 43 個是以「搜尋結果 0 筆」收場。
- 第一階段先不用模型,直接建立規則。以職務、職級、修課紀錄三個軸向,在首頁呈現「同職務前輩修習較多的課程」10 門,並且已修完的課程一律排除。
- 三個月後加入協同過濾,結果新進員工 400 人的推薦欄全部空白。資料負責人朴課長提議「前兩週先以職務檔案撐過去」,並把冷啟動期間另外切開處理。
- 將曝光平分,進行了為期 8 週的 A/B 測試。點擊率提升了 14 個百分點,但完成率原地踏步,因此將成效指標從「點擊」改為「4 週內完成」,並重新訓練排序模型。
- 6 個月後,每月課程完成率從 19% 升至 31%,前 30 門課程集中的比例則從 71% 降至 52%。同時,原本從未開課的 610 門課程中,有 280 門迎來了第一位學員。
金鍾赫
盧俊瑛