想象一下，一个勒布朗·詹姆斯的球迷在eBay上从球员那里买了一双球鞋，如果eBay推荐系统是一个经验丰富的推销员，应该向他推荐什么商品？
答案很可能不是另一双运动鞋，而是看看勒布朗·詹姆斯的其他系列，例如球员卡、收藏家的印花或其他客户甚至不知道存在但可能感兴趣的商品。 这是因为，与其在短时间内买一堆运动鞋，不如说看到每一件有趣的小东西都买，更符合普通人的消费习惯。
70% 的 Z 世代认为产品发现是网上购物最好的部分。 eBay AI 首席执行官 Nitzan Mekel-Bobrov 笑着说：“至少在这一点上，我同意年轻人的观点。 不过，eBay没有勒布朗·詹姆斯的产品品类，产品相似度推荐系统也无法知道这些产品之间的相关性，所以粉丝不会有机会发现偶像的各种商品，反而会看到一整排他已经买过的运动鞋。
为了让推荐系统像经验丰富的推销员一样敏锐，并激起客户的兴趣，eBay不得不转向一种以客户为中心的推荐新模式。 为此，Nitzan Mekel-Bobrov认为，了解客户的兴趣并熟悉自己的产品非常重要。 这也意味着，eBay推荐系统的范式转移不需要放弃上一个时代的相似性推荐技术建设，而是基于过去积累的产品理解，加入客户观察，对推荐产品进行综合判断。
新旧模型之间的主要区别在于判断产品相关性的角度。 从历史上看，这种做法是将客户行为简化为静态产品或产品类别数据，假设产品相似性等于相关性，然后匹配相邻类别中的产品。
新方法是从客户行为开始，推断他们如何看待产品相关性。 这种相关性是多种多样的，不仅关注相似性，还关注连接商品的任何其他概念。
为此，eBay勾勒出客户的旅程，猜测看似无关行为背后的购买兴趣，然后动态推荐相关产品。 这也意味着，随着系统对客户的了解越来越多，同一客户可能会在旅程的不同阶段看到针对同一主要产品的不同推荐，而这些推荐将不受eBay默认分类方法的限制。
要创建这种超个性化的产品发现体验，请近在咫尺。
在一两年的时间里，他们开始大力研究如何从客户数据中进一步挖掘更多有用的信息，以加强产品推荐机制。
根据客户行为数据而不是相似性推断推荐效果
在新的范式下，eBay开始更深入地分析客户行为数据，并利用它来增强推荐的有效性。 例如，添加客户行为数据维度，以提高类似产品广告字段的推荐效果。
这是一个**广告页面根据交易金额来抽取广告费用，当客户浏览产品A时，通过这个广告推荐，并实际购买产品B，产品A和产品B都被视为相关，作为后续相似性推荐的重要参考。 当别人看到产品A时，也会向他推荐产品B。 如果购买未完成，将被视为无关紧要。
这种高度集中于购买行为的设计可以有效地带来购买转化，但也会产生三个问题。
首先是漏报问题。 通常，客户最多只能从推荐字段购买一种产品，而其他产品将被标记为不相关，即使它们高度相关。 此外，与其他客户行为相比，购买行为的数量很少，因此可用于加强推荐系统的数据相对较少。 第三，这种机制没有考虑到其他类型的行为，这些行为也可能代表不同程度的购买兴趣。
eBay试图在推荐模型中加入更多过去的客户行为，以解决上述三个问题，但客户服务仍面临两个挑战，首先，确定哪些行为标签具有足够大的影响力，值得考虑。 然后，给这些行为适当的权重，否则建议将不如最初设计的有效。
为了解决这两个挑战，eBay根据行为标签和标签超参数的不同组合训练了2000多个模型，并分别测试了网页版和移动应用，然后决定了点击、加入购物车、提供、点击立即购买按钮、添加到观察列表、 并购买，并将新模型推向世界**。
不管在浏览中推荐的产品与主产品的相似程度如何，只询问客户是否有兴趣决定推荐订单，这是新款中从客户角度看产品的精神。
从客户的旅程开始，以创造更直接、更不受既定观念限制的超个性化体验
这不仅仅是一系列类似的产品，可以用来根据客户的历史行为进一步推断客户的兴趣。 eBay还分析客户在整个eBay**的旅程，实时发现他们的兴趣，推测客户如何看待产品的相关性，并利用这个角度对产品进行分类并提出建议。
eBay的旧推荐方式收集的客户行为并不多，主要是客户点击、购买和搜索数据。 为了更深入地分析客户兴趣，他们将客户行为组织成63个事件，分别属于探索、产品上市、浏览、搜索、决策、支付、交付、回访8个阶段，从而勾勒出客户旅程。
eBay不仅记录了这63个事件的发生时间，然后将它们转换为序列嵌入，而且还进一步记录了每个事件的持续时间，并将其转换为时间嵌入向量来表示该事件的重要性。
然后，他们将这两个项目组合成一个点击流嵌入向量，然后将它们与自己产品的知识图谱进行比较，动态形成一个兴趣图谱，以推断产品与客户的可能相关性。
Nitzan Mekel-Bobrov表示，事件序列和时间嵌入向量是使用双向长短期记忆（bilstm）网络计算的，这些网络是计算密集型的，因此在行业中通常不会这样做，但eBay认为这对于深入和即时地了解客户利益至关重要。
基于这些对客户兴趣和相关性的动态推断，系统生成产品类别作为推荐的基础。 这样一来，你就可以跳出eBay创建的具有相似性的产品类别，每个客户都会有自己的分类方法。
这种新方法不仅让eBay摆脱了自己的分类观点。 Nitzan Mekel-Bobrov补充说，客户数据分析是如此精细，以至于可以在所谓的“多向”中了解客户的利益。
个性化是一种单向的方法，数据积累得越多，就越有可能积累错误或过时的信息，系统不太可能及时忘记这些不适用的信息。 他补充说，像**向量这样的“客户向量”是一种静态数据，获取后很难更新，如果能更直接地了解客户的兴趣，就会更容易根据客户的旅程快速响应，并添加、删除或纠正系统对客户利益的理解。
例如，虽然系统最初确定客户喜欢玩具相机，但当客户点击更多复古木制玩具相机时，系统会更新对兴趣的理解，并将对方对复古木制玩具相机的理解改变。
但是，当客户开始点击更多非相机老式木制玩具时，相机标签将被移除，客户兴趣标签将被移除，取而代之的是确定客户的兴趣是老式木制玩具，这与之前的优化方向相反，并通过消除噪音来提高个性化。 如果客户点击由不同材料制成的玩具，或对特定类型的老式木制玩具表现出兴趣，系统还可以根据客户对客户兴趣的理解，“水平”移动到其他类型兴趣的标签。 “这些举措是基于动态生成的客户兴趣图，而不是预定义的产品分类。 尼赞·梅克尔-博布罗夫强调。
关注客户发现旅程的每一个行为，并通过各种优化实践更新客户的兴趣，是eBay发展超个性化的关键一步。