今年，商家通過(guò)阿里媽媽推廣投放明顯感覺(jué)到各類(lèi)營(yíng)銷(xiāo)產(chǎn)品、營(yíng)銷(xiāo)工具變得自動(dòng)化，不但操作更簡(jiǎn)單，而且效果也有明顯提升。這背后的原理是什么，可能沒(méi)有太多人了解。但無(wú)疑，今年阿里媽媽智能化的戰略方向已開(kāi)始顯效。

人工智能究竟能給阿里媽媽的營(yíng)銷(xiāo)帶來(lái)怎樣的升級？人工智能又是如何讓推廣投放更有效的？阿里媽媽高級算法專(zhuān)家懷人將從算法和模型的角度介紹，人工智能的想象力在哪里？人工智能又是如何實(shí)現的？

以下為懷人分享，經(jīng)《天下網(wǎng)商》整理而成。

大規模稀疏結構化深度學(xué)習

阿里媽媽會(huì )捕捉用戶(hù)在全網(wǎng)的實(shí)時(shí)行為，比如在淘寶看過(guò)什么，收藏過(guò)什么，哪些東西看了很多次但猶豫不決沒(méi)有買(mǎi)等等?；谶@些信息，阿里媽媽會(huì )進(jìn)行建模，從而刻劃用戶(hù)的興趣，基于興趣再對每一次實(shí)時(shí)推廣投放進(jìn)行判斷，確定點(diǎn)擊率預估。

點(diǎn)擊率預估通俗來(lái)講就是推廣被用戶(hù)點(diǎn)擊的可能性，即CTR（Click-Through Rate Prediction），這對營(yíng)銷(xiāo)來(lái)講很重要，它不僅影響了每個(gè)商家每次投放推廣的計費，也影響平臺對流量的分配。

CTR預估越精確，推廣活動(dòng)更有針對性,用戶(hù)點(diǎn)擊推廣的可能性就越大。問(wèn)題來(lái)了，如何提高點(diǎn)擊率預估呢？這里面相當有講究。

在阿里媽媽的推廣投放后臺，每天接受的推廣預估請求超過(guò)千億次，目標用戶(hù)同樣是數以?xún)|計，這些數字背后反映出來(lái)的是超大規模+高度非線(xiàn)性的東西。人工肯定辦不到匹配，只有技術(shù)去解決。

阿里媽媽是怎么做的呢？從整個(gè)技術(shù)分析來(lái)看，阿里媽媽發(fā)現數據其實(shí)有兩個(gè)很重要的特點(diǎn)，第一個(gè)特點(diǎn)叫稀疏性，第二個(gè)特點(diǎn)是結構化。這樣兩個(gè)特性，是推廣主所看不到的，但阿里媽媽在技術(shù)上需要解決的重要問(wèn)題。

于稀疏性而言，每天阿里媽媽要給數據的用戶(hù)實(shí)時(shí)預估每天看了推廣的點(diǎn)擊率，那怎么描述推廣點(diǎn)擊率呢？用特征來(lái)描述。如用戶(hù)是什么用戶(hù)，推廣是什么推廣。實(shí)際的模型里，會(huì )有超過(guò)10億的特征，某些場(chǎng)景下甚至達到百億級量級的特征。同時(shí)，阿里媽媽用來(lái)預測的樣本會(huì )達到千億量級。所以，稀疏性是這個(gè)一個(gè)問(wèn)題的最大特性。

結構化就非常好理解，因為每天每個(gè)用戶(hù)登陸淘寶的時(shí)候，會(huì )看到不止一條推廣，會(huì )看到很多條推廣。但是對于所謂模型看到用戶(hù)來(lái)說(shuō)，用戶(hù)是同一個(gè)用戶(hù)。假設說(shuō)有兩個(gè)用戶(hù)，用戶(hù)1和用戶(hù)2，用戶(hù)1可以看到三條推廣，用戶(hù)2看到兩條推廣。阿里媽媽把他們組織起來(lái)成為樣本，按照這個(gè)方式組織的時(shí)候，所有的樣本每天訓練一個(gè)模型，所需要的樣本需要高達100或者1000的TB，這是非?？植赖牧考?。

通過(guò)結構化壓縮了之后可以做什么事情呢？知道用戶(hù)1是同個(gè)用戶(hù)每天看到三條推廣，只要記錄一次，說(shuō)用戶(hù)1以及后面看到的推廣是A1、A2、A3就可以了，這樣使得整個(gè)樣本的存儲量壓到1—2個(gè)數量級以下，現在的模型都可以在幾個(gè)TB到10個(gè)TB這個(gè)量級，輕松完成訓練。

智能營(yíng)銷(xiāo)最大的困難在模型

數據很容易理解，阿里媽媽有全域的數據，淘寶天貓購物數據、社交數據，位置數據等等。數據只是一個(gè)人的材料，把材料加工、分析出來(lái)，才能形成用戶(hù)特征，這個(gè)加工過(guò)程要靠數據算法完成。

模型挑戰

在業(yè)界，如谷歌、臉譜、騰訊、百度等都會(huì )有一些解法，阿里媽媽稱(chēng)之為傳統解法，線(xiàn)性模型+人工智能工程。什么叫線(xiàn)性模型+人工特征工程呢？因為數據特別大，在技術(shù)有限的情況下只能用線(xiàn)性模型做預測，但用戶(hù)點(diǎn)不點(diǎn)推廣是高度非線(xiàn)性的，跟用戶(hù)看到的場(chǎng)景，看到推廣長(cháng)什么樣，跟當時(shí)的心情和天氣都很有關(guān)系，線(xiàn)性模型又無(wú)法做到。于是就把人得的經(jīng)驗放進(jìn)去，形成了人+機器做的解決方案。問(wèn)題是，這不僅費力，而且不可能把所有解決方案做出來(lái)，結構也非常龐大，迭代起來(lái)比較慢。

阿里媽媽的解法更加優(yōu)雅和智能，在特征方面沒(méi)有引入人的規則去設計，而是把用戶(hù)的原始特征，如歷史上表現出來(lái)的行為和興趣，以及推廣主的推廣體系類(lèi)目是什么，兩者提取出來(lái)。然后把所有任務(wù)交給模型，讓模型從大量的數據里面去自動(dòng)挖掘出來(lái)，什么樣的組合模式是最有效的，什么樣的組合模式是最有可能點(diǎn)擊。這是最重要一個(gè)部分，也是整個(gè)人工智能背后最核心、最難的一點(diǎn)。

同http://www.114px.com/course/524180.html

時(shí)整個(gè)數據也充分利用了結構化特點(diǎn)，一方面大幅度降低存儲，同時(shí)使得整個(gè)計算可以每天完成一次模型更新，甚至幾小時(shí)完成一次模型更新。

人工智能的能力

在2012年，阿里媽媽就自主研發(fā)，并且提出了一個(gè)全新的模型，叫分片線(xiàn)性模型。這個(gè)模型想要解決的事情很簡(jiǎn)單，既然有這么大量的數據，且數據背后的規律足夠非線(xiàn)性，那么有沒(méi)有方法解決得更好一點(diǎn)呢？

當然是可以的，舉一個(gè)直觀(guān)的例子，比如說(shuō)想去判定一下，一個(gè)登陸淘寶頁(yè)面的用戶(hù)，比如我是男還是女，有人問(wèn)，我明明是個(gè)男性用戶(hù)，為什么要判定男性呢，很可能我最近一段時(shí)間是幫太太在買(mǎi)東西，或者我太太用了我的帳號登陸淘寶買(mǎi)東西，因此需要根據行為判斷是男性還是女性用戶(hù)，或者購物意圖是男性還是女性。

從2014年以后，我們陸陸續續會(huì )有一些升級版本，第一個(gè)版本，當我們意識到這個(gè)數據越來(lái)越大的時(shí)候，剛才一直說(shuō)多結構化特性，做了第一步優(yōu)化，要看這個(gè)用戶(hù)的購買(mǎi)概率、轉化概率、購買(mǎi)概率。第一部分我去描述用戶(hù)，第二部分描述推廣。先把用戶(hù)從10維空間投影到20維空間去，在這個(gè)空間里面我計算他們之間的所謂相關(guān)性和點(diǎn)擊率的概率，這是相當容易的事情。所以結構化這里面，除了大幅度降低整個(gè)計算，另一方面也是引入了人類(lèi)一部分專(zhuān)家知識概念在里面，幫助大家學(xué)習。這是第一個(gè)，引入了所謂結構正則這樣一個(gè)概念。

第二點(diǎn)引入了模型級聯(lián)。一個(gè)模型可能不一定做得好，我們讓多個(gè)模型進(jìn)行工作協(xié)同。所謂模型級聯(lián)，通過(guò)多個(gè)模型的結果匯總起來(lái)變得更好。如果關(guān)心技術(shù)發(fā)展的同學(xué)，尤其是關(guān)心整個(gè)營(yíng)銷(xiāo)和推廣發(fā)展的同學(xué)，可以知道，在今年年初的時(shí)候，谷歌大概提出了一套叫外聯(lián)的Deep Learing這樣一套方法，跟我們幾乎差不多，只不過(guò)我們是兩年以前就提出來(lái)了。

剛才是講了整個(gè)比較數學(xué)形式化的算法是什么樣子，在生態(tài)環(huán)境里面，實(shí)現一套非常大規模的實(shí)踐來(lái)支撐這樣的模型，達到每天甚至每幾個(gè)小時(shí)完成一次訓練的能力。以定向推廣主要的模型來(lái)看，我們用了幾億的特征，幾十億的參數，幾百億的樣本，在線(xiàn)一百多臺機服務(wù)器大概在幾個(gè)小時(shí)就完成模型更新，從而使得預測和迭代會(huì )更加準確。