前言

商品的個性化推薦為業務帶來了非常顯著的增量，但是隨著海量的商品數量的上線，商品的資料化資訊的激增。基於個性化搜推過濾依舊有非常多的商品資訊需要使用者進行決策，在一定程度上“過多的決策“會帶來使用者的“流失”。所以非常需要透過智慧UI（UI的個性化）來縮短使用者的“購物決策時間”，在可用的空間中為使用者展示他最關心的內容，為業務帶來更多的增長可能。

痛點&解決思路

這兩年，阿里內很多的BU都開始了智慧場景的探索，阿里內部也啟動了共建方向，2019年和2020年智慧化都是前端委員會探索方向，CBU也積極參與其中，並且和集團在做智慧UI的同學保持長期的交流和共建，從19年開始探索智慧UI。2020年3月大促透過演算法的UI個性化推薦，取得了PVctr環比12%的增長。同時透過智慧UI的產品化鏈路的建設，沉澱了CBU的智慧UI元件物料庫，和《CBU智慧UI對接最佳實踐》。

基於演算法的智慧UI推薦（資訊差異和UI視覺差異），在集團多個BU（淘系，CBU，螞蟻，口碑）的實踐中都取得了非常不錯的成績，平均為業務帶來的PVctr環比提升均在10%+。但是在持續的日常和商人節的智慧UI的探索中，我們也發現了一些問題。

演算法冷啟動：演算法的UI推薦模型，需要進行冷啟動訓練。依賴大流量：流量小的場景，在訓練不足的情況也會存在PVctr下降的情況模型無法複用：真實投放的場景十分複雜，“人貨場“中的任何一個因素的變化都會干擾訓練。場景訪問的人群不同，跨業務的物料元件通常也會不同，演算法的UI推薦模型不能被複用，需要重新訓練。探索門檻高：很多找我們交流對接的BU會因為沒有演算法同學的支援，而放棄了智慧UI的探索。

我們開始反思，在智慧化之前，我們是否還需要進行專業化的沉澱。重新審視智慧UI，“透過基於使用者的UI偏好進行演算法的動態定投，從而為業務帶來增長”。使用者的UI偏好是一個非常複雜的問題，隨著物料的變多，UI方案的笛卡爾積組合就需要非常大的訓練量。在直接“千人千面”前，我們需要一輪千人N面。

基於UI的數字化，結合使用者的畫像分析，我們在CBU12月的商人節中，探索出一條穩健的智慧UI實踐策略。透過UI動態的人群定投，我們不再需要冷啟動，不再依賴大流量場景，也解決了模型無法複用的問題。在這次12月商人節我們實現了UI智慧的同時，沉澱了智慧合圖以及UI快速干預&調整能力，帶來總體的PVctr環比提升10.27%，智慧貨盤場景PVctr提升15.77%，價格敏感&金融敏感別環比提升14.21% 和 14.63%。

以下是我們本次大促活動中方案思考和技術架構，分享給大家。

策略解讀

結合B類的業務特色以及買家的人群畫像，我們先進行一層人群畫像的收斂，再基於收斂進行AB實驗。在實現動態定投的同時，還能通過後續的歸因來細化人群偏好。（例如，我們為價格敏感人群設定了48種UI方案，再在價格敏感人群種進行這48種方案的AB，細化價格敏感人群的不同物料偏好）具體的實現和對接需要經歷以下5個步驟。

拆分人群畫像物料的開發&拼裝方法打標UI&人群推薦資料分析&歸因使用者偏好建模

基於1688大市場的使用者行為歸因，透過演算法的分類模型，進行多維度使用者偏好建模，實現使用者畫像的清洗。同時剔除覆蓋度不夠的人群畫像，用相應的物料組合來承接不同的人群的UI偏好。我們將人群拆分為行為偏好（價格偏好、服務偏好、利益點偏好、產地偏好、金融偏好、其他：沒有命中偏好的人群）和商品偏好（新品、趨勢品、爆品、其他：沒有命中商品的人群）兩大維度進行組合。

使用者偏好本質上是期望透過使用者的自然屬性以及平臺行為推測出使用者的興趣重點，進而給使用者推薦滿足他們興趣的物品|資訊|場景等。（以下是我們人群建模的詳細方案）

本次演算法在利用多維度使用者個性行為的基礎上，深度結合使用者精細化群組（身份*地域*等級）分類下的群體化偏好資訊，解決了使用者個體行為稀疏，偏好標籤覆蓋率不高，使用者需求認知不足的問題。進行使用者商品偏好，服務偏好，金融偏好，價格偏好、利益點偏好以及產地偏好六大維度的建模。

第一步：個體行為偏好建模

個體行為偏好建模核心是將使用者在平臺上的多維行為資訊總結抽象為具體的偏好分值，針對六大維度的偏好我們分別建立獨立的二分類模型。不同維度的偏好建模流程與方法基本一致，主要分為問題定義，樣本構建，特徵工程，label設定，模型選型以及指標衡量等步驟，下面對其中的核心步驟進行簡述。

問題定義：這裡我們將使用者對某類標籤的偏好建模抽象為：利用使用者歷史N-90天的平臺行為，去預測使用者未來N天對掛有某類標籤的商品是否會產生“行為”。特徵工程： 特徵層面上目前我們主要利用了使用者在平臺上的不同時間的組合行為（1天，7天，30天，90天），行為主要包括如下：貨盤行為：即使用者對帶有相應特徵商品的點選，加購，收藏等行為文字類行為：搜尋詞，旺旺聊天記錄標籤行為：資訊的曝光|點選頁面動線：使用者在各類心智場景的行為，如火拼場景對應低價心智，新品tab對應新品心智等特色行為：基於業務理解挖掘到的使用者行為與使用者偏好潛在mapping關係，比如高頻多次的商品轉發或多收貨地址代表著使用者有一件代發需求等。label設定: 使用者未來一天對包含該標籤的商品的行為達到一定閾值後，則該項標籤的偏好label為1。使用者的行為會按照不同程度進行加權，例如點選權重為1，收藏權重為2，購買權重為8。產地，服務等6項偏好標籤，樣本label置為1的條件相同。

在這樣的 label 的設定中我們也發現一些問題，有金融偏好和服務偏好的人群比例過高，與常識不符合。仔細分析商品標籤可以看到能夠掛上金融標籤的商品佔比xx.x%，比例非常大，標籤能夠覆蓋的商品佔比越高，有該偏好的使用者就佔比就越大，最後導致商品數量的大小直接決定了偏好人群的大小，這顯然是不符合常理的。那如何修正呢？

基於標籤背後的心智，差異化標籤置1的門檻，嚴肅打標標準。改善由於掛標商品分佈不均而導致的資料偏差。這樣做也有他的缺點，（引入人為業務理解，資料分佈可能隨著人的專業知識認知變化而變化）。但是在這種場景下，這樣的方案相對合理，現行label設定規則如下：

行為過包含該標籤（商品，價格，產地，營銷 ）的商品達到一定閾值或使用者搜尋query包含（低價，新品）等資訊後則該項偏好label為1；服務偏好label置1條件 :（商品轉發次數 >= 閾值） 或 （收貨地址數 >= 閾值） 或 （產生代銷/分銷訂單) 或 (搜尋端點選過相應篩選項) 或 (行為過包含該標籤的商品達到一定閾值，且佔比大於商品標籤佔比）則該項偏好label1金融偏好label置1條件 ：(命中誠e賒准入條件人群，且 使用了誠e賒，融易收支付) 或( 行為過包含該標籤的商品達到一定閾值，且佔比大於商品標籤佔比) 則該項偏好label為1模型選型: GBDT二分類模型。

第二步：群體偏好建模

區別於C類使用者，B類使用者的行為稀疏度非常高，但是我們發現，某些具有特定社會身份的C類人群，他們會有相對一致的偏好，可以作為冷啟動的有效手段，如寶媽偏好母嬰用品，年輕女孩偏好美妝等。B類使用者由於他們背後的生意模式是比較相似的，因此可以透過類似群體性的聚合實現資訊繭房的突破，一定程度上完成使用者偏好的冷啟動。群體畫像構建分為兩個步驟：

人群劃分，我們認為同一人群具有相似的偏好，這裡結合業務輸入選取“身份*地域*等級”作為細分人群組合粒度；群體偏好計算，計算細分人群與大盤人群之間的TGI指數= [目標群體中具有某一特徵的群體所佔比例/大盤中具有相同特徵的群體所佔比例]*標準數100，獲取群體偏好得分。例如：（東北L0微商價格敏感人數佔比）/（大盤價格敏感人數佔比）。分數越大說明該細分群體對該項標籤越偏好。

從以下熱力圖我們也可以簡單地看到淘賣微商服務偏好更敏感，一件代發需求強烈；實體店都偏好低價格段；微商對新品最敏感；使用者對本地區的賣家有偏好等等，與我們的業務認知比較符合。

第三步：群體偏好與個體偏好融合：

由於不同使用者其平臺行為的豐富程度是不一樣的。對於行為豐富的使用者，我們選擇更相信其個人行為而產生的偏好。而對於那些行為比較稀疏的使用者，其個人行為置信度比較低，我們會更加傾向於利用其群體化的偏好進行冷啟動。

第四步：使用者偏好歸一化

由於同一使用者不同偏好之間的偏好分是基於獨立模型建模得到的，不同分數之間不能橫向對比。這裡我們第一版本採取了對每一維偏好縱向上進行百分位歸一化的方法，保障單一使用者各偏好分均代表其在大盤人群中的百分比排名情況，橫向拉齊各項偏好指標。（例如:A使用者原始的服務偏好分為0.78，大盤總人數為2000W人，所有使用者在服務偏好上的分數按從小到大排序後，A使用者原始的服務偏好分排名第1000W名，則A使用者的歸一化服務偏好分=1000W／2000W=0.5）

後續演算法側進一步利用多標籤學習的方法，進行使用者標籤一致性建模，從根源上去解決使用者偏好標籤基本都是單任務模型，且各標籤開發的業務背景、owner、模型選項各有不同，對資料的理解和質量要求也參差不齊，導致從宏觀層面分析和應用時，單使用者各標籤之間橫向不可比的問題。相關ATA敬請期待，如果對人群建模進一步瞭解。

偏好消費

透過將人群拆分為行為偏好（價格偏好、服務偏好、利益點偏好、產地偏好、金融偏好）和商品偏好（新品、趨勢品、爆品）兩大維度進行組合。從行為偏好來確定使用者專屬的會場結構，再結合使用者商品偏好和商品模型，混排放大使用者偏好的商品屬性。

確定使用者的一級偏好

基於使用者的行為偏好，我們透過對物料的顏色深淺，線條處理，資訊結構等設計，來突出和弱化物料的資訊。針對下方價格敏感人群，我們可以透過折線和膠囊視覺來突出價格的要素。同理針對利益點敏感產地敏感等人群，透過重點突出利益點和產地的資訊，弱化價格等其他資訊。為每種偏好人群關聯的物料至少準備2種以上強化資訊和弱化資訊的物料。（ps：左上角的標籤用於標示商品是屬於哪種生命週期的商品，便於理解）

結合商品屬性確定使用者的二級偏好

進一步結合使用者對商品的屬性偏好，人群進行 UI下鑽 ，設計出更豐富的UI組合。透過對使用者偏好的商品屬性放大，引導他在海量的商品feeds流中發現自己關注的商品的屬性。例如爆品偏好的人群，在商品推薦流中可能會被推薦各種商品（新品，爆品，趨勢品，尾貨等等），但是我們只放大爆品的爆品屬性，例如: “熱賣xx件”和“社交爆款”等來捕獲使用者的視覺焦點，在整個feeds流中就可以減少使用者對爆品的決策。

(例如：一個使用者被識別為價格敏感人群，我們首先透過折線物料來突出降價。再進一步，識別使用者偏好的商品心智，如果使用者是爆品敏感，我們就在feeds流中，將爆品商品展示“熱賣xx件”的物料。）

透過兩級人群偏好（A行為偏好xB商品偏好）的定投，我們為15種畫像的人群提供定製化的UI，同時透過投放資料的歸因，得到更細粒度的使用者對偏好資料，為下一次設計做指導。

所以當你是（價格敏感且爆品敏感）或（產地敏感且爆品敏感）的人群，看到真實線上方案是這樣的～

物料開發

確定完具體的實驗策略，就進入到物料生產階段。透過lowcode的物料開發方式，實現物料的一次開發多次複用。同時將UI拆分成佈局和物料進行靈活拼裝，12月商人節透過24個物料和3種佈局，我們實現了線上同時348種方案的個性化定投。具體步驟如下（詳細細節之前分享過，此處不再擴充套件）

首先透過上傳sketch，快速解析物料繫結資料來源釋出配置實驗組合對接演算法策略和消費容器元件智慧UI上線UI 數字化

從原來的演算法冷啟動，變為基於UI數字化的人群定投。在對接鏈路上，多了一層物料&方案的打標，和標籤消費的環節。那演算法如何消費物料呢？

透過打標進行UI收斂，演算法消費UI標籤進行人群偏好匹配。維護標籤庫來進行物料和方案的數字化，我們將標籤分為“內容標籤”，“型別標籤” 和 “整體的方案標籤”。（內容標籤代表物料是什麼內容，型別標籤代表了物料的心智，樣式效果等。整體方案標籤則能從UI總體突出要素來標記UI方案的整體心智）

當然，不同的物料也可以打上相同的標籤。（例如：標題物料，樣式一致但業務欄位不同，開發的同學可能開發了2個長得一樣的物料。或者：在商品心智標籤中，“熱賣xxx人“ 和 “xxx人已加購”都代表了相同的爆款的心智）

透過對方案上線後的資料迴流，實現跨業務的演算法結論的複用。同時透過對物料標籤進行了歸因，能為UED提供設計指導服務。設計的同學可以透過選擇人群或者輸入userId的方式，檢視使用者偏好的內容標籤排序和視覺設計排序（這部分在12月大促中還未實現，後續會進行產品化）

每個BU都可以基於自己的業務特徵對物料和方案配置標籤庫。下面是CBU現在使用的標籤庫。透過方案標籤實現先驗的UI定投，再透過物料標籤實現後驗的歸因，為設計提供指導。

同樣也可以透過為方案打上黑名單來自動化處理不合理方案過濾，我們建設了通用的標籤庫和打標的能力。

實驗分桶

透過對UI方案的打標，我們將UI方案分為（價格敏感，服務敏感，利益點敏感，金融敏感，產地敏感，黑名單）x（新品，趨勢品，爆品）。剔除黑名單後進行分桶實驗，為了確保實驗的準確性和誤差，我們分為基礎桶，隨機桶，以及人群定投實驗桶。

A組基礎桶，切10%的流量，（基礎桶的確定邏輯，由業務指定必出的欄位和必出的業務邏輯）B組隨機桶，切10%的流量，（所有上線的UI方案進行隨機投放）C組實驗桶，切80%的流量，（基於人群定投所有的個性化UI方案）實驗效果

這次投放了大促會場xx%+，覆蓋智慧貨盤xx萬個，實現無人搭建的效率提升的同時，透過UI定投為業務帶來了 PVctr 環比 10.27% 的總體提升。在實驗過程中我們對智慧UI的樣式進行了一版的迭代，透過快速替換物料的方式快速上線新UI方案，在智慧貨盤的智慧UI方案中，我們帶來了PVctr 環比 15.77% 的提升。

產品化建設

12月商人節我們探索出了很多的新能力，但是產品化的建設還需要進一步的最佳化，建設思路和專案進展，分享給大家。基於人群的UI定投，需要涉及的內容比較多。中間涉及了先驗的人群分析，物料開發及公共元件的沉澱，方案打標，實驗分桶，UI推薦，實驗歸因等環節。

畫像分析：透過提前對大市場的使用者進行精細化的拆分，清洗出使用者行為偏好畫像。開發打標：基於使用者的行為偏好畫像進行UI設計開發，為實驗投放方案進行打標。實驗分桶：透過基礎桶，隨機桶，實驗桶的方式控制實驗變數和干擾。UI 推薦：演算法透過將人群和UI進行匹配，精準地為使用者投放UI。實驗歸因：更細粒度的進行人群和UI偏好的歸因，資料迴流支援下一次人群定投實驗。

S2 建設比較核心的功能在於打標服務和UI推薦服務，下面會進行擴充套件講解。

打標服務

前端與演算法按照約定消費UI方案，將UI方案拆分為區塊與物料的方式進行靈活拼裝，透過id來記錄物料，透過字母來記錄佈局區塊，透過固定協議的字串來特指UI方案（例如：A^320|B^2425C^2371|.......）。

透過打標關係表來連結物料方案與標籤的關係，整體的UI標籤結合CBU的人群畫像進行UI定投，物料標籤結合線上資料迴流歸因實現設計實踐的方法論沉澱實現UI推薦。

UI推薦服務

其中UI推薦服務，透過配置鯨冪id來確定場景的物料和佈局方式，對接人群服務和商品服務，識別使用者的兩級偏好，結合商品屬性進行使用者偏好放大。實踐充分驗證了UI智慧化之前的專業化必要。除了這次的演算法人群畫像外，我們後續還會對接CBU的買家運營平臺，把UI運營的能力開放給業務，進行UI推薦服務的升級。

這次大促沉澱的UI策略已經在CBU日常的A+級別大促中延用，後續我們會為業務提供UI運營的能力，透過配置的方式，業務可以自行維護標籤庫和AB人群偏好，來精細化干預UI的人群匹配關係。（A：鎖定場景的基礎心智，B：結合商品混排放大UI匹配規則）。運營同學可以透過寫SQL的方式進行人群圈選，同時為方案打上相應的標籤來進行UI匹配。運營的人群視角也能夠給演算法帶來更細粒度的畫像輸入。（開放的配置能力建設中）

歸因小站

為業務提供通用的資料歸因能力，業務同學透過自主的實驗投放，藉助我們平臺來檢視實驗資料，基於3種分桶的總體的PVctr的提升，以及不同人群畫像的下鑽資料，和行業資料，進行UI的實時調整和修改

總結

智慧UI我們完成了最佳實踐的探索，沉澱了物料的低程式碼研發，託管，實驗配置及消費能力。這次大促我們實現了基於人群的UI探索探索，接下來我們還會進行智慧UI工程鏈路的最佳化，演算法UI推薦和UI精細化運營並驅進行。以下是我們目前的專案進度。

基礎通用元件沉澱（完畢）打標能力，批次打標服務開發（完畢）CBU的物料收斂，大促&日常物料庫收斂（完畢）統一業務域（會場與搜尋推薦）的UI推薦服務，（技術方案對焦中）2.0 資料歸因平臺的（建設中）UED設計指導平臺（建設中）未來規劃

場景智慧

CBU目前除了智慧UI，還在做智慧搭建的探索。從“智慧貨盤生產” 到 “會場結構智慧” 到 “元件UI智慧”，實現會場的“智慧化精細化運營”。智慧會場在12月大促中也取得了非常不錯的效果，未來在搭建側，我們能解放前端的生產力，使用者能實時獲得個性化的資訊推薦。

UI精細化運營

另一方面，接下來我們依舊會進行“買家UI精細化運營”的重點建設，除了年輕的個性化的使用者訴求，智慧UI也會重點支援場景適老化，沉澱適老化的場景物料，為老年群體提供更棒的購物體驗。（中國已經進入了老齡化的社會，現在中國已經有2.5億的老年人，但是其中只有1.2億使用了網際網路。很多老年人是網際網路的“局外人”。記憶力、注意力以及感知能力的衰退，帶來了視力障礙，在互動介面上他們有更強的“個性化訴求更強”）

關於智慧UI，我們相信一定是未來的趨勢。透過藉助演算法的能力和運營經驗的沉澱，透過精細化買家UI運營，更加智慧的為我們的使用者定製專屬場景，未來也很有可能會顛覆前端的開發和工作模式。結合“端智慧”和“買家互動”，我們能為前端智慧化提供更好的效能和體驗。前端智慧化，未來也一定還有更多的機會和領域值得探索。

另外我們是阿里1688部門，正在急招前端，方便你瞭解下我們這個可愛的前端團隊

知乎連結：https://zhuanlan.zhihu.com/p/99483714