摘要：演講中，王志勇代表螞蟻金服首次向公眾介紹了螞蟻金服智能推薦引擎，分享了螞蟻金服利用人工智能和大數(shù)據(jù)能力在推薦引擎上沉淀的大量經(jīng)驗(yàn)，并介紹了結(jié)合螞蟻?zhàn)陨韮?yōu)勢(shì)打造的能夠靈活適配各種業(yè)務(wù)場(chǎng)景的智能推薦引擎解決方案及其能力和優(yōu)勢(shì)。

摘要：以“數(shù)字金融新原力(The New Force of Digital Finance)”為主題，螞蟻金服ATEC城市峰會(huì)于2019年1月4日上海如期舉辦。金融智能專場(chǎng)分論壇上，螞蟻金服人工智能部高級(jí)技術(shù)專家王志勇做了主題為《螞蟻金服智能推薦引擎》的精彩分享。

演講中，王志勇代表螞蟻金服首次向公眾介紹了螞蟻金服智能推薦引擎，分享了螞蟻金服利用人工智能和大數(shù)據(jù)能力在推薦引擎上沉淀的大量經(jīng)驗(yàn)，并介紹了結(jié)合螞蟻?zhàn)陨韮?yōu)勢(shì)打造的、能夠靈活適配各種業(yè)務(wù)場(chǎng)景的智能推薦引擎解決方案（ARE）及其能力和優(yōu)勢(shì)。

王志勇 螞蟻金服人工智能部高級(jí)技術(shù)專家

首先，對(duì)“推薦”和“營(yíng)銷”這兩個(gè)概念而言，每個(gè)人的理解可能都各不相同。本文提到的推薦主要特指 “推薦引擎”，是為了達(dá)到高效營(yíng)銷這個(gè) “目的”的一個(gè)“手段“，也就是通過推薦引擎實(shí)現(xiàn)更好的營(yíng)銷，當(dāng)然推薦引擎的能力不限于幫助營(yíng)銷，也可以幫助提升產(chǎn)品、服務(wù)、內(nèi)容的用戶體驗(yàn)，本文的分享將主要圍繞以下三個(gè)方面：

一、 螞蟻的業(yè)務(wù)場(chǎng)景

二、 螞蟻智能推薦實(shí)踐

三、 智能推薦解決方案

螞蟻業(yè)務(wù)的進(jìn)化
螞蟻金服的業(yè)務(wù)進(jìn)化主要經(jīng)歷了在線化、數(shù)據(jù)化和智能化三個(gè)階段的發(fā)展和演進(jìn)過程。

從2004年支付寶成立一直到2012年，這個(gè)階段主要是工具的在線化。從最開始的擔(dān)保交易到轉(zhuǎn)賬、信用卡還款、水電煤繳費(fèi)等功能，通過在線化的工具提升了效率，也沉淀了數(shù)據(jù)。這個(gè)階段，支付寶的營(yíng)銷方式也比較粗獷，比如給所有人發(fā)一個(gè)相同的紅包或者優(yōu)惠券，因此當(dāng)時(shí)的營(yíng)銷也主要圍繞打造一個(gè)好的工具，快速配置一個(gè)營(yíng)銷活動(dòng)、獎(jiǎng)品，并確保在交易流程中的安全、穩(wěn)定。

到了2013年，隨著移動(dòng)互聯(lián)網(wǎng)浪潮、killer app 余額寶的誕生支付寶APP的日活從不到百萬迅速增長(zhǎng)到千萬級(jí)別。此時(shí)如果再使用原本粗獷式的營(yíng)銷方式肯定會(huì)出現(xiàn)問題，這個(gè)階段數(shù)據(jù)顯得越來越重要，營(yíng)銷開始升級(jí)為從用戶信息數(shù)據(jù)、用戶行為數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)挖掘出來的人群標(biāo)簽，實(shí)現(xiàn)分客群營(yíng)銷，從而提升營(yíng)銷效率。這個(gè)階段BI給運(yùn)營(yíng)人員提供宏觀的決策參考，但不同運(yùn)營(yíng)人員對(duì)業(yè)務(wù)的理解、對(duì)數(shù)據(jù)敏感度的差異會(huì)導(dǎo)致營(yíng)銷效果不一樣?，F(xiàn)在市面上大部分的精準(zhǔn)營(yíng)銷產(chǎn)品對(duì)應(yīng)這個(gè)階段，一套有圈人能力的營(yíng)銷管理工具。

到2016年左右，隨著人工智能團(tuán)隊(duì)的成立，螞蟻金服逐漸開始以推薦引擎來幫助營(yíng)銷，系統(tǒng)層面更實(shí)時(shí)的感知用戶行為，算法層面通過機(jī)器學(xué)習(xí)能力來自優(yōu)化決策系統(tǒng)。這個(gè)階段離線圈人只是決策的起點(diǎn)，推薦引擎會(huì)綜合用戶的歷史偏好、實(shí)時(shí)營(yíng)銷反饋以及全站所有行為事件來調(diào)整模型，提供更為微觀的決策能力。這個(gè)階段對(duì)運(yùn)營(yíng)人員的要求也降低了，因?yàn)槟Ｐ蜁?huì)不斷迭代糾偏。

金融生活場(chǎng)景
目前，螞蟻金服以及合作伙伴通過支付寶、財(cái)富、微貸、保險(xiǎn)、網(wǎng)商銀行等產(chǎn)品已經(jīng)能夠覆蓋廣大用戶的大部分金融生活場(chǎng)景。

對(duì)于具體推薦的頁面而言，比如支付成功頁的推薦、廣告位、會(huì)員惠支付以及紅包等的背后都有螞蟻金服智能推薦引擎在發(fā)揮作用。

在支付寶的財(cái)富、微貸、花唄以及保險(xiǎn)的頻道首頁，通過智能推薦引擎實(shí)現(xiàn)的“千人千面”。還有商家生活號(hào)以及生活圈、小程序，也有推薦引擎發(fā)揮作用。

對(duì)于螞蟻金服而言，在智能推薦方面存在著很多的挑戰(zhàn)。下圖中就列舉出了智能推薦所需要面對(duì)的6大挑戰(zhàn)。

選擇人群：如何基于數(shù)據(jù)和業(yè)務(wù)規(guī)則選擇合適的準(zhǔn)入人群？

識(shí)別實(shí)時(shí)場(chǎng)景：如何識(shí)別出用戶所處的實(shí)時(shí)場(chǎng)景，比如什么時(shí)間、在什么地點(diǎn)、做了什么事情？

選擇獎(jiǎng)品、優(yōu)惠券、服務(wù)：這是推薦的核心問題，如何選擇合適內(nèi)容推薦給用戶？

流量渠道和創(chuàng)意：流量有成本，如何合理利用流量渠道，用最好的創(chuàng)意打動(dòng)用戶？

多次推薦：推薦不是一次性過程，如何通過多次推薦最終實(shí)現(xiàn)目標(biāo)？

平臺(tái)和架構(gòu)：工程架構(gòu)是基礎(chǔ)，什么樣的架構(gòu)能提升推薦模型迭代效率從而快速提升推薦效果？

人群選擇
圈人一般常用的有三種：一是最常見的是技術(shù)數(shù)據(jù)挖掘的標(biāo)簽圈人；另外比較高級(jí)點(diǎn)的是 lookalike圈人，通過給定的種子人群特征，去全量人群中召回有相似特征的人群并做優(yōu)選，從而擴(kuò)散到一個(gè)更大的相似人群；還有很常用也很簡(jiǎn)單的是基于業(yè)務(wù)規(guī)則圈人。

實(shí)時(shí)場(chǎng)景事件
對(duì)于實(shí)時(shí)場(chǎng)景事件而言，早在2014年螞蟻金服剛開始構(gòu)建智能推薦體系的時(shí)候，運(yùn)營(yíng)同學(xué)對(duì)智能營(yíng)銷的期望經(jīng)常會(huì)用一個(gè)具象的case來描述：某用戶購(gòu)買了一張8點(diǎn)鐘開始的電影票， 6點(diǎn)鐘他到了電影院所在的商場(chǎng)，打開支付寶APP，會(huì)收到一個(gè)推薦，本商場(chǎng)xx飯店的打折券。在具體實(shí)現(xiàn)上，我們通過用戶實(shí)時(shí)事件來刻畫場(chǎng)景，實(shí)現(xiàn)實(shí)時(shí)場(chǎng)景推薦，與此同時(shí)，實(shí)時(shí)事件也可以幫助在線訓(xùn)練模型，實(shí)現(xiàn)機(jī)器在線學(xué)習(xí)（online learning）。

偏好與發(fā)現(xiàn)
發(fā)現(xiàn)用戶偏好是推薦的前提，除了數(shù)據(jù)收集和挖掘，模型選擇也很重要，這里說一下螞蟻內(nèi)部常用的模型：

注意力模型：深度學(xué)習(xí)中的注意力機(jī)制從本質(zhì)上講和人類的選擇性視覺注意力機(jī)制類似，核心目標(biāo)也是從眾多信息中選擇出對(duì)當(dāng)前任務(wù)目標(biāo)更關(guān)鍵的信息，螞蟻的業(yè)務(wù)場(chǎng)景豐富，導(dǎo)致數(shù)據(jù)比較多元，注意力模型能幫助當(dāng)前推薦目標(biāo)的達(dá)成；

Wide & deep模型：wide模型記憶（memorization）即從歷史數(shù)據(jù)中發(fā)現(xiàn)item（推薦內(nèi)容）或者特征之間的相關(guān)性，deep模型泛化（generalization）即相關(guān)性的傳遞，發(fā)現(xiàn)在歷史數(shù)據(jù)中很少或者沒有出現(xiàn)的新的特征組合，尋找用戶的新偏好。

MAB算法：解決推薦的冷啟動(dòng)問題，嘗試推薦新內(nèi)容，并且通過用戶的實(shí)時(shí)反饋來不斷調(diào)整產(chǎn)品的曝光量，并優(yōu)化整個(gè)模型。

智能創(chuàng)意
大家平時(shí)都會(huì)接觸到各種各樣不同的廣告，不同的廣告創(chuàng)意（文字、圖片、視頻）效果差別很大。這里其實(shí)有兩個(gè)問題，一是AI能不能幫助我們?cè)O(shè)計(jì)更好的創(chuàng)意，二是如何快速優(yōu)選用戶認(rèn)可的創(chuàng)意。我們內(nèi)部有個(gè)叫畢加索的系統(tǒng)，來提升創(chuàng)意設(shè)計(jì)效率和效果。

我們收集了大量的廣告文案，運(yùn)營(yíng)同學(xué)只需要簡(jiǎn)單填寫需求信息，通過NLP技術(shù)會(huì)自動(dòng)生成候選文案供使用者選擇。除了完整的文案建議，還能結(jié)合用戶標(biāo)簽，也提供個(gè)性化文案模板，推薦系統(tǒng)會(huì)根據(jù)被推薦的用戶特征來填充標(biāo)簽值，實(shí)現(xiàn)個(gè)性化文案，例如車險(xiǎn)到期是續(xù)簽廣告，“本田車主50元大禮”比“車主50元大禮”點(diǎn)擊效果要好很多（這個(gè)case只是簡(jiǎn)單的規(guī)則標(biāo)簽填充，更多的案例是算法生成）。

另外，對(duì)AI系統(tǒng)來說，候選創(chuàng)意的數(shù)量越多，算法的空間越大，快速生成更多的創(chuàng)意顯得非常重要。原來一百?gòu)垐D片與文案的制作需要花費(fèi)很多的時(shí)間和精力，而通過畢加索的圖文合成能力，能很快生成大量創(chuàng)意，例如有10種底圖和10種文案，能叉乘出100種創(chuàng)意。接下來就是創(chuàng)意優(yōu)選，這100種創(chuàng)意都會(huì)獲得一定的曝光，通過MAB算法可以并根據(jù)用戶的實(shí)時(shí)反饋來調(diào)整每個(gè)創(chuàng)意的曝光比例，某個(gè)創(chuàng)意的點(diǎn)擊率高，曝光率也就會(huì)越來越高，從而提升整體的點(diǎn)擊率。

強(qiáng)化學(xué)習(xí)

  我們發(fā)現(xiàn)，原來的營(yíng)銷推薦，都是短期的、離散的，一年下來營(yíng)銷活動(dòng)很多，也做活動(dòng)數(shù)據(jù)的總結(jié)，總結(jié)會(huì)變成一些人腦海中的經(jīng)驗(yàn)，但沒有實(shí)時(shí)、持續(xù)的去優(yōu)化我們的用戶營(yíng)銷方案。實(shí)際上營(yíng)銷就像打高爾夫球，很難一次進(jìn)洞，不斷調(diào)整我們的營(yíng)銷策略，讓每一桿揮得恰到好處，才能更快的接近球洞（目標(biāo)）。另一方面，用戶對(duì)產(chǎn)品的使用是持續(xù)的，用戶營(yíng)銷會(huì)有拉新、促活、留存的任務(wù)，我們站在用戶的使用角度去設(shè)計(jì)營(yíng)銷產(chǎn)品，把活動(dòng)、獎(jiǎng)品、服務(wù)都算作用戶激勵(lì)的手段，通過強(qiáng)化學(xué)習(xí)，把用戶的每次行為都作為決策智能體（推薦引擎）的一次反饋，從而拿到整體最優(yōu)的營(yíng)銷效果。

快速迭代工程架構(gòu)
數(shù)據(jù)、特征、模型都很重要，但良好的工程架構(gòu)是基礎(chǔ)。尤其對(duì)算法來說，模型的快速迭代非常關(guān)鍵，如果優(yōu)化一個(gè)模型，需要幾天才能發(fā)布，活動(dòng)也許早就結(jié)束了。在螞蟻金服內(nèi)部有一套完善的工程架構(gòu)來保證算法的快速迭代。和很多金融機(jī)構(gòu)的業(yè)務(wù)類似，我們的穩(wěn)定性要求非常高，變更的發(fā)布往往需要經(jīng)過一個(gè)比較嚴(yán)格的流程。但是模型迭代一般不會(huì)影響具體功能，僅影響效果，螞蟻內(nèi)部提供的微容器架構(gòu)，讓算法模型迭代在容器內(nèi)發(fā)布即可，穩(wěn)定快速。

模型的效果對(duì)比和驗(yàn)證非常重要，我們內(nèi)部有專門的A/B Test平臺(tái)來支持實(shí)驗(yàn)，對(duì)比不同模型的效果，從而優(yōu)選模型。此外，螞蟻金服的工程架構(gòu)還能夠保證特征的一致性，能保證離線訓(xùn)練和在線預(yù)估使用同一份特征和代碼，從而保證模型的效果。

上面主要分享了在螞蟻內(nèi)部如何實(shí)現(xiàn)智能推薦的，接下來將和大家介紹螞蟻金服基于自身經(jīng)驗(yàn)并結(jié)合銀行、證券等公司業(yè)務(wù)特點(diǎn)打造的解決方案，產(chǎn)品名稱是螞蟻金服智能推薦引擎 (Ant Recommendation Engine)，下文都簡(jiǎn)稱ARE。

1. 靈活適配多業(yè)務(wù)場(chǎng)景
在下圖中的業(yè)務(wù)模塊中，銀行、證券等金融機(jī)構(gòu)的大部分業(yè)務(wù)和螞蟻金服類似，可能包含了支付、轉(zhuǎn)賬、存款、積分、借貸以及基金和理財(cái)?shù)葮I(yè)務(wù)，我們的ARE只需要通過接口和數(shù)據(jù)打通客戶的業(yè)務(wù)，實(shí)現(xiàn)各種業(yè)務(wù)場(chǎng)景的智能推薦。

我們需要三部分的數(shù)據(jù)打通：

一是用戶通過上圖中最上面一層的“渠道”，比如手機(jī)APP、銀行柜臺(tái)、PC客戶端等會(huì)看到推薦內(nèi)容（產(chǎn)品、服務(wù)、活動(dòng)、獎(jiǎng)品等），如果用戶感興趣就會(huì)產(chǎn)生點(diǎn)擊行為、購(gòu)買使用行為，而如果用戶不感興趣就可能直接離開，這些用戶的行為數(shù)據(jù)會(huì)同步到推薦引擎數(shù)據(jù)中心里面；

二是用戶的其他行為，比如交易、信用卡支付或進(jìn)入了某個(gè)地理位置等，這些數(shù)據(jù)也會(huì)同步到數(shù)據(jù)中心中；

三是業(yè)務(wù)自身的信息，比如商品名稱、基金產(chǎn)品收益率等需要導(dǎo)入到數(shù)據(jù)中心中。

系統(tǒng)經(jīng)過提取和計(jì)算，從數(shù)據(jù)中心中獲得實(shí)體類（item）特征和用戶特征（user），再進(jìn)行模型訓(xùn)練，獲得最新的模型。

客戶的業(yè)務(wù)系統(tǒng)可以調(diào)用ARE的接口來實(shí)現(xiàn)推薦。引擎內(nèi)部會(huì)基于目標(biāo)人群，召回合適的推薦內(nèi)容后通過模型和規(guī)則來實(shí)現(xiàn)打分排序。此外ARE還提供了常用算法庫(kù)、動(dòng)態(tài)代碼（根據(jù)推薦場(chǎng)景編寫的代碼，無需走系統(tǒng)發(fā)布流程）以及配置后臺(tái)，可以靈活適配包括營(yíng)銷、產(chǎn)品在內(nèi)的幾乎所有業(yè)務(wù)場(chǎng)景。

2. 標(biāo)準(zhǔn)數(shù)據(jù)流程
ARE定義了標(biāo)準(zhǔn)的數(shù)據(jù)格式，系統(tǒng)打通時(shí)要確保用戶行為事件的日志格式都是標(biāo)準(zhǔn)的。如果客戶使用了螞蟻的mPaas產(chǎn)品，通常情況下數(shù)據(jù)不需要做任何轉(zhuǎn)化，就能符合ARE的標(biāo)準(zhǔn)。數(shù)據(jù)格式、特征工程、模型訓(xùn)練，整個(gè)數(shù)據(jù)處理流程是標(biāo)準(zhǔn)化的，對(duì)于大多數(shù)客戶而言，可以大大減少算法和數(shù)據(jù)相關(guān)的開發(fā)工作量。

3. 策略和實(shí)驗(yàn)
針對(duì)銀行等金融客戶的特點(diǎn)，螞蟻金服智能推薦引擎已經(jīng)將LR、GBDT、MAB等常用的推薦模型集成到ARE內(nèi)部，結(jié)合上面的標(biāo)準(zhǔn)數(shù)據(jù)處理流程，客戶基本可以在沒有算法工程師的情況下實(shí)現(xiàn)基礎(chǔ)的智能推薦。此外，ARE也支持用戶將訓(xùn)練好的模型（PMML文件）上傳到系統(tǒng)中?？紤]到推薦的效果與運(yùn)營(yíng)規(guī)則也密切相關(guān)，因此在螞蟻智能推薦引擎中也集成了比較簡(jiǎn)單的規(guī)則引擎。同時(shí)，系統(tǒng)還提供了A/B Test等工具幫助用戶選擇更加適合自己的策略模型。

4. 實(shí)時(shí)事件中心
舉個(gè)例子，A銀行的某用戶屬于低凈值用戶，某一天這個(gè)用戶突然存了50萬，理論上這時(shí)候系統(tǒng)要立刻感知這個(gè)變化，原本推薦低門檻理財(cái)產(chǎn)品應(yīng)該換成門檻高收益高的理財(cái)產(chǎn)品。使用好ARE實(shí)時(shí)事件中心可以很容易地感知用戶變化，通過對(duì)于用戶行為（日志或者行為數(shù)據(jù)）的標(biāo)準(zhǔn)化定義和實(shí)時(shí)收集，能夠很快地刻畫出用戶行為的空間，進(jìn)而實(shí)現(xiàn)相關(guān)特征的提取和模型訓(xùn)練，基于這樣的能力就可以實(shí)現(xiàn)更加實(shí)時(shí)的場(chǎng)景化推薦。

5. ARE的工程優(yōu)勢(shì)
ARE的架構(gòu)是基于螞蟻金服內(nèi)部所使用的推薦引擎，經(jīng)過業(yè)務(wù)的多年考驗(yàn)，系統(tǒng)架構(gòu)已經(jīng)非常成熟和穩(wěn)定。ARE能夠支持彈性伸縮和水平擴(kuò)展，具有較高的性能，秒級(jí)響應(yīng)請(qǐng)求，實(shí)時(shí)數(shù)據(jù)更新分鐘級(jí)影響推薦結(jié)果。最后，因?yàn)樵诩軜?gòu)方案中，智能推薦引擎基于的是螞蟻金融云，因此監(jiān)控體系、運(yùn)維體系以及預(yù)警體系都很成熟，運(yùn)維部署非常方便。

點(diǎn)擊閱讀更多，查看更多詳情