会员服务背后的机器学习技术

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资格。科学家们运用机器学习、结构计量经济学等技术，帮助该中心决定如何在全球范围内发展会员福利。

向客户展示最相关的会员福利

当购物者访问该中心商店时，系统会展示各种会员提示，包含相关福利和产品信息。系统使用推荐系统向购物者展示他们最感兴趣的会员福利信息。

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，会员机器学习团队采用了允许算法使用客户延迟反馈来更新"点击概率"分数的方法。

推荐客户喜欢的内容

确定向用户展示的最相关会员福利只是第一步。科学家们还开发了算法来确定哪种格式最可能吸引客户。

提示包含多个组件：标题、正文、图像，还可以包括其他元素如客户评论。测试多个变量是一个组合问题，通常涵盖较大的决策空间。为了消除考虑所有可能组合导致的组合爆炸，模型在对一小部分组合进行评分后，将其学习成果外推到可呈现给客户的更大布局范围。

发展会员福利选择

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一项会员资格将如何发展。这项工作涉及来自多个学科的科学家密切合作，以确定最佳的福利选择。

团队在结构计量经济学、机器学习和因果推理的科学交叉领域工作。构建这些工具通常涉及创造新的科学，然后利用这些工具在工程规模上创建科学软件。

团队最近的一项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资格做出"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。

为了克服这些挑战，团队将逆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。

团队解决这一挑战的方法在论文"Deep PQR: 使用锚定动作解决逆强化学习"中有所描述，该论文发表在2020年国际机器学习会议上。

会员科学家使用逆强化模型来发展洞察，这些洞察显示了会员服务应如何发展以满足客户需求。随着会员服务在全球扩展，这些问题会成倍增加。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，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理想场所。