48
在Lazada各域推荐场景中，既有优质商品优质卖家不断涌现带来的机会，也有商品质量参差带来的问题。如何才能为用户提供更好的体验，对卖家变化行为进行正向激励呢？下面本文将为大家分享我们在与商品的演变成长性和商品的购买体验相关的三个环节中探索实践的经验。
对于不断发展的 Lazada 供给侧，除了把握好变化的头部商品之外，从 0 到 1 的新商品和新卖家的冷启动也是一个重要的问题。不同于搜索域用户主动发起的 query 具有较高的相关性要求，推荐域的流量分配相对自由，因此它也承担起了用户和平台的发现性作用。从平台的角度而言，新发的商品需要启动流量，新的业务也需要流量机制的保证，由此启发了我们在独立链路上的一系列工作。
针对特定场景内的成交预估优化，除了背景中提到的商品的演变成长性问题之外，还面临着样本选择偏差和稀疏性的问题。我们首先介绍了我们基于商品核心属性演变的商品序列建模 CAEN，在场景内单任务上论证了该方法优于业界的 SOTA 方法。在具体实践中，我们将 CAEN 结构运用在全域点击到成交的预估任务中，通过分数加权的方式将全域成交信息补充在首页猜你喜欢和商品详情页的跨店推荐场景排序中，在成交指标上获得了显著提升。
除了提高用户与商品之间成交匹配的及时效率之外，我们发现用户成交的有效性和体验可能比成交行为本身更加重要。根据初步的摸底，我们了解到 Lazada 平台当前用户在提交订单后的购后流程。在当前工作中，我们沿着非个性化到个性化的路径，逐步建模并更加准确地完成用户对商品的成交满意度预估，将满意度作为分数作用在购前的推荐环节中。
综上所述，为了使推荐系统能够随着平台的快速发展健康地"动"起来，我们从供给侧理解的角度围绕高潜新冷品的探测和进入、商品的演变成长性建模、成交满意度的追踪和控制三个方面展开。我们也可以看到，用户与商品相互影响、共同发展的问题，不仅是 Lazada 国际化过程中面临的问题，同时适用于很多新平台、发展型平台。接下来，Lazada 也将继续快速的发展和迭代，平台中的买家卖家也会继续不断的变化和成长。作为连接者，我们也将在供给侧方向持续发力，给买家更好的购买体验，帮助商家更快地优化推新，助力用户和商品螺旋式的交互成长。
