机器学习在会员服务中的科学应用

某中心的科学家们开发了多种科学模型，帮助会员充分利用其会员权益。

向客户展示最相关的会员权益

当购物者访问某中心商店时，系统会展示各种会员权益提示和相关产品信息。非会员可能看到各种可用权益的概述，而会员则可能看到更多使用其会员权益的选项。

“我们利用推荐系统向购物者展示他们最感兴趣的会员权益信息，”某中心消费者组织的首席应用科学家表示。

为了预测最能吸引客户的提示，系统将商品属性（如品牌、颜色、价格、标题和类别）映射到客户选择商品的频率。系统中嵌入的模型使用贝叶斯推荐器来决定要展示的最相关内容。贝叶斯推理通过在有更多信息可用时更新先验假设来预测未来事件。

然而，这种方法存在局限性。例如，仅依靠贝叶斯方法来衡量客户选择可能会使结果偏向更受欢迎的商品。为了改善推荐的多样性，必须克服经典的利用-探索困境，既要包含相关和流行的商品，也要包含评分高于预期价值的新商品或长尾商品。

为此，会员机器学习团队采用的方法允许算法使用客户的延迟反馈来更新“点击概率”分数。

“自适应系统使我们能够进一步聚焦推荐的多样性，”科学家表示。

发展会员权益选择

除了影响客户如何接收关于现有会员服务的推荐外，科学家还影响着会员服务作为会员制度的发展方式。这项工作涉及来自多个学科的科学家密切合作，以确定最佳的权益选择。

专门模拟客户从会员权益扩展中受益程度的团队高级经理表示：“我们的团队工作在结构计量经济学、机器学习和因果推理的科学交叉点上。构建这些工具通常涉及创造新的科学，需要来自不同背景的科学家和工程师参与。”

该团队指出，会员科学家的最新创新使建模动态客户决策变得更加容易。

“会员会就是否以及何时成为和保持会员身份做出‘动态’选择。动态客户选择通常涉及价值和灵活性之间的权衡，”他解释说。

以有用的反事实模拟方式建模这些选择排列的影响在理论和计算上都具有挑战性。

理论挑战是一个“识别”问题，这使得科学家难以确定是哪个会员特性导致会员做出特定选择。计算问题则是由大量可能选择产生的，在动态规划文献中被称为“维度灾难”。

为了克服这些挑战，团队将逆向强化学习的新技术与结构计量经济学的旧假设相结合。与通过主动实验学习行为“策略”的强化学习不同，逆向强化学习从实际客户行为中学习“奖励”或“效用”函数，然后使用估计的效用函数在新环境中做出选择。

团队对这一挑战的方法在论文“Deep PQR: 使用锚动作解决逆向强化学习”中进行了描述，该论文发表在2020年国际机器学习会议上。

“论文中提出的发现适用于多个领域，”经理表示。“这并不奇怪，因为论文的见解是通过跨多个学科的合作实现的。”

会员科学家使用逆向强化模型来开发见解。这些见解显示了会员服务应如何发展以满足客户需求。例如，会员服务应如何发展以最好地满足更频繁使用数字权益（视频、音乐、游戏）的Z世代需求？如何最大限度地提高杂货配送和取货的客户便利性？

随着会员服务在全球扩展，这些问题成倍增加。在国际市场——特别是新兴市场——客户需求差异很大。

“发现全球客户需求的过程非常有趣，”他表示。“再加上与极具才华的科学、工程和商业专业人士合作构建尖端科学，这使得会员服务成为科学家工作的非常有价值的地方。”
更多精彩内容请关注我的个人公众号公众号（办公AI智能小助手）或者我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码