想象一下，乙個勒布朗·詹姆斯的球迷在eBay上從球員那裡買了一雙球鞋，如果eBay推薦系統是乙個經驗豐富的推銷員，應該向他推薦什麼商品？
答案很可能不是另一雙運動鞋，而是看看勒布朗·詹姆斯的其他系列，例如球員卡、收藏家的印花或其他客戶甚至不知道存在但可能感興趣的商品。 這是因為，與其在短時間內買一堆運動鞋，不如說看到每一件有趣的小東西都買，更符合普通人的消費習慣。
70% 的 Z 世代認為產品發現是網上購物最好的部分。 eBay AI 首席執行官 Nitzan Mekel-Bobrov 笑著說：“至少在這一點上，我同意年輕人的觀點。 不過，eBay沒有勒布朗·詹姆斯的產品品類，產品相似度推薦系統也無法知道這些產品之間的相關性，所以粉絲不會有機會發現偶像的各種商品，反而會看到一整排他已經買過的運動鞋。
為了讓推薦系統像經驗豐富的推銷員一樣敏銳，並激起客戶的興趣，eBay不得不轉向一種以客戶為中心的推薦新模式。 為此，Nitzan Mekel-Bobrov認為，了解客戶的興趣並熟悉自己的產品非常重要。 這也意味著，eBay推薦系統的正規化轉移不需要放棄上乙個時代的相似性推薦技術建設，而是基於過去積累的產品理解，加入客戶觀察，對推薦產品進行綜合判斷。
新舊模型之間的主要區別在於判斷產品相關性的角度。 從歷史上看，這種做法是將客戶行為簡化為靜態產品或產品類別資料，假設產品相似性等於相關性，然後匹配相鄰類別中的產品。
新方法是從客戶行為開始，推斷他們如何看待產品相關性。 這種相關性是多種多樣的，不僅關注相似性，還關注連線商品的任何其他概念。
為此，eBay勾勒出客戶的旅程，猜測看似無關行為背後的購買興趣，然後動態推薦相關產品。 這也意味著，隨著系統對客戶的了解越來越多，同一客戶可能會在旅程的不同階段看到針對同一主要產品的不同推薦，而這些推薦將不受eBay預設分類方法的限制。
要建立這種超個性化的產品發現體驗，請近在咫尺。
在一兩年的時間裡，他們開始大力研究如何從客戶資料中進一步挖掘更多有用的資訊，以加強產品推薦機制。
根據客戶行為資料而不是相似性推斷推薦效果
在新的正規化下，eBay開始更深入地分析客戶行為資料，並利用它來增強推薦的有效性。 例如，新增客戶行為資料維度，以提高類似產品廣告欄位的推薦效果。
這是乙個**廣告頁面根據交易金額來抽取廣告費用，當客戶瀏覽產品A時，通過這個廣告推薦，並實際購買產品B，產品A和產品B都被視為相關，作為後續相似性推薦的重要參考。 當別人看到產品A時，也會向他推薦產品B。 如果購買未完成，將被視為無關緊要。
這種高度集中於購買行為的設計可以有效地帶來購買轉化，但也會產生三個問題。
首先是漏報問題。 通常，客戶最多只能從推薦字段購買一種產品，而其他產品將被標記為不相關，即使它們高度相關。 此外，與其他客戶行為相比，購買行為的數量很少，因此可用於加強推薦系統的資料相對較少。 第三，這種機制沒有考慮到其他型別的行為，這些行為也可能代表不同程度的購買興趣。
eBay試圖在推薦模型中加入更多過去的客戶行為，以解決上述三個問題，但客戶服務仍面臨兩個挑戰，首先，確定哪些行為標籤具有足夠大的影響力，值得考慮。 然後，給這些行為適當的權重，否則建議將不如最初設計的有效。
為了解決這兩個挑戰，eBay根據行為標籤和標籤超引數的不同組合訓練了2000多個模型，並分別測試了網頁版和移動應用，然後決定了點選、加入購物車、提供、點選立即購買按鈕、新增到觀察列表、 並購買，並將新模型推向世界**。
不管在瀏覽中推薦的產品與主產品的相似程度如何，只詢問客戶是否有興趣決定推薦訂單，這是新款中從客戶角度看產品的精神。
從客戶的旅程開始，以創造更直接、更不受既定觀念限制的超個性化體驗
這不僅僅是一系列類似的產品，可以用來根據客戶的歷史行為進一步推斷客戶的興趣。 eBay還分析客戶在整個eBay**的旅程，實時發現他們的興趣，推測客戶如何看待產品的相關性，並利用這個角度對產品進行分類並提出建議。
eBay的舊推薦方式收集的客戶行為並不多，主要是客戶點選、購買和搜尋資料。 為了更深入地分析客戶興趣，他們將客戶行為組織成63個事件，分別屬於探索、產品上市、瀏覽、搜尋、決策、支付、交付、回訪8個階段，從而勾勒出客戶旅程。
eBay不僅記錄了這63個事件的發生時間，然後將它們轉換為序列嵌入，而且還進一步記錄了每個事件的持續時間，並將其轉換為時間嵌入向量來表示該事件的重要性。
然後，他們將這兩個專案組合成乙個點選流嵌入向量，然後將它們與自己產品的知識圖譜進行比較，動態形成乙個興趣圖譜，以推斷產品與客戶的可能相關性。
Nitzan Mekel-Bobrov表示，事件序列和時間嵌入向量是使用雙向長短期記憶（bilstm）網路計算的，這些網路是計算密集型的，因此在行業中通常不會這樣做，但eBay認為這對於深入和即時地了解客戶利益至關重要。
基於這些對客戶興趣和相關性的動態推斷，系統生成產品類別作為推薦的基礎。 這樣一來，你就可以跳出eBay建立的具有相似性的產品類別，每個客戶都會有自己的分類方法。
這種新方法不僅讓eBay擺脫了自己的分類觀點。 Nitzan Mekel-Bobrov補充說，客戶資料分析是如此精細，以至於可以在所謂的“多向”中了解客戶的利益。
個性化是一種單向的方法，資料積累得越多，就越有可能積累錯誤或過時的資訊，系統不太可能及時忘記這些不適用的資訊。 他補充說，像**向量這樣的“客戶向量”是一種靜態資料，獲取後很難更新，如果能更直接地了解客戶的興趣，就會更容易根據客戶的旅程快速響應，並新增、刪除或糾正系統對客戶利益的理解。
例如，雖然系統最初確定客戶喜歡玩具相機，但當客戶點選更多復古木製玩具相機時，系統會更新對興趣的理解，並將對方對復古木製玩具相機的理解改變。
但是，當客戶開始點選更多非相機老式木製玩具時，相機標籤將被移除，客戶興趣標籤將被移除，取而代之的是確定客戶的興趣是老式木製玩具，這與之前的優化方向相反，並通過消除噪音來提高個性化。 如果客戶點選由不同材料製成的玩具，或對特定型別的老式木製玩具表現出興趣，系統還可以根據客戶對客戶興趣的理解，“水平”移動到其他型別興趣的標籤。 “這些舉措是基於動態生成的客戶興趣圖，而不是預定義的產品分類。 尼讚·梅克爾-博布羅夫強調。
關注客戶發現旅程的每乙個行為，並通過各種優化實踐更新客戶的興趣，是eBay發展超個性化的關鍵一步。