用机器学习打造亚马逊“网红”商品集合

亚马逊的“Internet Famous”（网红热品）页面是该机构资深应用科学经理Ali Dashti领导的“Discovery Tech”团队的创意结晶。他的团队运用机器学习技术，帮助亚马逊店铺的顾客发现新商品。

机器学习

阿里·达什蒂如何助力推动集合营销背后的科学

这位资深应用科学经理设想将机器学习作为改善亚马逊客户体验的途径。

社交媒体对某些商品的热度有着巨大影响。以热播剧《小学风云》中出现的乐高花束套装，或在数百万在线视频中出现的“神奇清洁膏”为例。这两者都因病毒式传播的剪辑和分享而引发了热议。在亚马逊的“Internet Famous”页面上，可以找到这些以及其他许多人们正在谈论的商品——而无需观看所有视频剪辑和不断滚动屏幕。这个商品集合是Ali Dashti领导的“Discovery Tech”团队的创意，该团队致力于帮助亚马逊店铺的购物者连接新奇有趣的产品。

Dashti在亚马逊领导着一个团队，与多个机构的科学家合作，指导亚马逊店铺商品集合构建背后的研究，推动商品推荐，并为客户改进个性化体验。他在学术界工作数年后于2019年加入亚马逊，这段转型之旅充满了惊喜。

“当我加入亚马逊时，我以为自己只是这台大机器中的一个小齿轮，但事实并非如此，”Dashti说，“在这里真的可以产生影响，可以推动业务决策和提升客户满意度。”

探索在亚马逊购物的新方式

毫不意外，许多人通过搜索与亚马逊店铺互动。带着想买的东西的想法，输入查询词，然后浏览结果。虽然有效，但这只是购物的一种方式。Dashti的团队正在研究顾客可能在亚马逊店铺中发现他们下一个心仪之物的其他方式。

“是否有可能将这个包含数亿件商品的庞大列表，提炼成更小的集合——比如几十个类别下的数千件商品——这些商品围绕着一个主题（如母亲节或返校季等特定事件）相互关联？”他阐述道，“然后我们想根据顾客的品味和购物意图，为他们进行个性化推荐，以便他们发现这些商品。”

他将这一挑战分解为两个方面。其一是围绕活动和季节性构建商品集合。“Discovery Tech”科学团队训练了一个机器学习模型，该模型利用季节性预测、周期性营销输入以及顾客群体的过往行为，来创建诸如“秋季或春季最爱”和“返校季”等商品集合。另一个例子是像“Internet Famous”这样的常青商品集合，它能全年检测由网红推荐的酷炫、病毒式传播的商品。该模型利用这些信号自动创建落地页，展示这些商品，方便顾客发现。

“Internet Famous”功能的创意源于团队内部的一个问题：算法能否根据社交媒体网红的热度，判断一张图片是否“酷”？最终的功能将亚马逊的库存与社交媒体平台上的讨论连接起来。

“我们的工作更多是关于如何根据我们所了解的客户短期和长期偏好，真正理解他们想要什么，并在他们的购物旅程中赋予他们那种偶然发现的惊喜感。”

“我们根据网红的数据训练了一个深度学习模型，使其成为亚马逊商品目录的‘酷感探测器’，”他说。

Dashti表示，个性化问题的第二部分是团队所称的“自动化营销”：将合适的商品与个体客户连接起来。

“现在我们有了这些商品集合，如何将流量引导到它们那里？如果客户正在浏览某个商品，也许我们可以根据该客户正在查看的内容，向他们推荐其他一些‘网红热品’或‘春季最爱’商品，”他解释道。

他补充说，团队正在思考如何在客户没有明确意图的地方推动对这些集合的发现。例如，亚马逊主页或一封电子邮件可能会提供“为您推荐客户最爱商品”的组别。

自动化营销涉及一个科学挑战，即为亚马逊客户创建一个基于AI的个性化商品推荐器，解决“什么内容、在客户旅程的哪个环节、在什么时间”推送的问题。它超越了简单的规则设置，比如某人搜索了鞋子就展示更多鞋子。

“我们的工作更多是关于如何根据我们所了解的客户短期和长期偏好，真正理解他们想要什么，并在他们的购物旅程中赋予他们那种偶然发现的惊喜感，即使他们没有在寻找特定类别的商品，”他说，“我们个性化章程的另一个宗旨是如何让我们的推荐变得可解释。”

Dashti提到了过去几年基于大型语言模型的AI创新爆发，这些模型可以像人类一样生成文本。

“我们可以利用这一点来改善客户体验父亲节和返校季等活动的方式——将客户旅程理解为一系列偏好和行为（如购物意图、页面访问等），以利用现有的基于Transformer的语言模型，帮助客户浏览我们在亚马逊拥有的庞大商品目录，确保他们获得卓越的体验。”

从大学到科技公司的转型

Dashti在威斯康星大学密尔沃基分校的学术研究重点是冷冻电子显微镜，这与他现在所做的工作看似相去甚远。但有一条共同的线索：他当时在编写算法，旨在挖掘数据中的洞察。当Dashti在伊朗的谢里夫理工大学读本科时，一位教授兼导师向他介绍了脑机接口的研究领域。

在本科第四年，他编写了一种算法，能够根据脑电图信号识别任务，比如“想着写一首诗”或“旋转一个物体”。从那个项目开始，他说，“我迷上了这个领域。”他知道自己想从事某种形式的机器学习。

在威斯康星大学，他获得了电气与电子工程硕士学位以及生物医学与医疗信息学博士学位，并对冷冻电子显微镜产生了兴趣，该技术可以生成冷冻生物样本的原子级图像。他构建了一种算法，可以根据几何数据帮助识别分子机器在其工作周期内的构象变化。他的工作在2017年诺贝尔化学奖的科学意义部分被引用，该奖项表彰了成像技术的发展及其生成生物分子3D图像的能力。

几年后，他建立了一份卓著的学术生涯，并与妻子和两个孩子舒适地生活在密尔沃基。但他萌生了转向工业界的想法，希望他的工作能产生更切实的影响。当亚马逊的招聘人员联系他时，他做出了回应，不久后他便搬到西雅图，加入时尚营销团队，担任应用科学家。

加入亚马逊后不久，时任该机构首席营销官的Carmen Nestares邀请Dashti喝咖啡，并向他讲述了公司的“Day One”文化，鼓励他有所作为。

“这是我老板的老板的老板。这完全出乎意料，”他说，“她真的在我需要的时候给了我信心和主人翁意识。”

在亚马逊的第一年，Dashti撰写了一份关于“归因”（即确定不同营销活动如何促成特定购买的过程）的简报。他原以为可能只有几个人会读。

令他惊讶的是，这份简报引发了变革。“它被列入了下一年的路线图。一年后，团队已经将我的发现融入到他们思考归因的方式中。这太棒了，”他说。

Dashti后来与Nestares一起组建了“Discovery Tech”团队，他现在管理着一支科学家团队。他将亚马逊描述为像是由一万家初创公司组成的集合体。

“你可以拥有初创公司的所有自由度，以及身兼数职的学习经验，”他说，“但同时，整个领域的丰富知识都任你调用。”

这种文化有利于在即时项目和被他称为“长期科学探索的登月计划”之间取得平衡。在其他项目中，团队正在与亚马逊学者Yury Polyanskiy和Sasha Rakhlin（麻省理工学院的计算机科学教授）合作，开展一项“登月计划”级别的努力，旨在将客户与商品的交互映射到复杂的图网络上，以增强个性化。另一个“登月计划”则是将文本到图像生成和计算机视觉方面的进步用于以新方式搜索亚马逊的商品目录——例如，根据用户的描述生成图像，并展示匹配的商品。

除了与“Discovery Tech”团队的协作性工作外，Dashti还珍视与多元化团队合作的机会，以及在技术经验之外获得成长的机会。鉴于伊朗近期的抗议活动，女性平等对他来说尤为重要，他也很欣赏目前在亚马逊的团队中，领导者大多为女性。

“我身边一直围绕着强大的女性，”他提到他的母亲和在伊朗长大的妻子时说，“在科技领域的高级管理层中拥有更多女性是必要的。她们带来了平衡、务实和同理心——这些特质正在真正推动这个机构的发展。”

作为一名管理者，Dashti支持他团队中的科学家（其中约三分之一是女性）去追求他们的宏大想法。他回忆起在加入亚马逊之前的职业生涯中，有时并不真正喜欢自己正在做的事情，那仅仅是一份工作。他努力确保团队中的任何人都不会走到那一步。

“这始于主人翁意识，”他说，“我赋予团队成员选择他们想做什么的权力，同时也要承担起看到他们所做工作产生的影响的责任。这是一种需要大量信任的管理风格。”

研究领域

机器学习 | 搜索与信息检索

标签

需求预测 | 在亚马逊工作FINISHED