拍賣，是一個大家熟悉的詞彙，但對線上拍賣以及線上拍賣的個性化推薦，大家可能不那麼熟悉。本文將對阿里拍賣業務背景先做介紹，進而描述業務中的淺庫存約束及拍品冷啟動問題，並分別提出經線上AB實驗驗證的解法，最後是對解法適用範圍的討論。

前言

業務背景介紹：

• 拍賣中的約束條件：淺庫存、時效性

• 交易鏈路及頻道頁的佈局

• 拍賣導購與傳統頻道頁的區別

• 研究物件：在淺庫存和時效性約束下的拍下率優化問題

技術點：

• 運用拉格朗日乘子法求解在淺庫存約束下的流量調控問題，並分析了上述調控模型適用的必要條件；

• 從Knowledge Graph Embedding和概率圖模型兩個角度來描述拍品的關鍵屬性，以優化拍品的冷啟動問題

值得一提，今年諾貝爾經濟學獎頒發給了保羅·米爾格羅姆（Paul R.Milgrom）和羅伯特·威爾遜（Robert B.Wilson），他們因“對拍賣理論的改進和拍賣新形式的發明”獲獎。本文中的拍賣業務，均採用英式升價拍賣，更多從流量分配和效率優化角度探討，尚未從拍賣機制設計上做嘗試。

阿里拍賣簡介

說到拍賣，腦海中就很容易湧現出這樣的畫面：拍賣師站在臺上拿著錘子裝作要一錘定音，臺下一堆人1w,5w的往上加價。所賣的標的物，往往是翡翠、字畫、瓷器這樣的珍品。那麼線上拍賣又是什麼呢？

每年雙十一的零點，優衣庫這樣的店鋪都會選出一部分商品，讓前100名購買者以極低的價格拿到。這種飢餓營銷可以成功帶來流量，背後則是通過撿漏+淺庫存+時間視窗

比雙十一更嚴苛的是，阿里拍賣的庫存一般只有一件；與線下拍賣行也不同，線上拍賣可以同時進行幾千上萬場拍賣，且一件拍品可以多達4w人圍觀，1000多人訂閱，最終31人出價，經歷了253輪競拍。啥拍品？？今年6月，一套離西湖邊僅100多米的北山街棲霞嶺小區，有一套法拍房起拍價僅為260萬元。你~ 有沒有一些心動呢？

補充拍賣交易鏈路的小知識：

圍觀：就是點選進商品詳情頁，熱門的標的物往往有過萬的圍觀群眾。

訂閱：除了即刻拍線上拍賣一般有排期的進行。拍品一般分為預熱，開拍和結束拍賣三個時間點，珍品往往當天結束，而房產等大資產會有多天甚至30天的拍賣時間。訂閱好比是鬧鐘，用於提醒使用者該關注了。

交保：繳納保證金，交保意味著正式入場。

出價：各方競價，截止時間內價格最高者勝出。

支付：支付尾款，違約且當前價高於保留價需支付違約金（保證金）

拍品主要分以下三塊；

• 大資產：如法拍房、二手車、股權、破產公司的廠房、商鋪，不一而足；

• 高消品：名牌手錶、名家字畫、古董玉器、名酒錢幣等等；

• 大眾商品：少量淘系商家供給，也包括部分閒魚商品。如下圖：

上文提到了起拍價260w西湖邊法拍房就是大資產。和其他頻道頁不同，來線上拍賣的人有剛需偏好，也有情懷，但更多是投資。當一個價格窪地出現，且是網紅資產，短時間內會迅速產生聚集效應。可這是我們想看到的嗎？試想我們把上面的西湖邊房產推送給每個使用者，作為業務核心指標點選、訂閱、交保那是蹭蹭蹭的往上漲，但抱歉只有一套。所以成交量只有可憐的1套。在淺庫存和時間視窗的約束下，使用者效率最大化並沒有帶來頻道整體收益最大化。不妨引申，拍賣業務中的導購，和傳統頻道頁導購究竟有哪些不同？

帶著問題，我們先看下阿里拍賣頻道頁的佈局。其中，主入口是手機淘寶輕應用第8個坑位的icon，此外還通過簡訊push，首猜雲主題和商品投放，主搜等渠道。拍賣首頁是承接流量的主陣地，模組包括：搜尋框、子頻道icon、四個子業務模組和猜你喜歡。

阿里拍賣導購 VS 傳統商品導購

單從頻道頁看，拍賣的feeds流和傳統猜你喜歡沒有太大區別。也許是表象使然，剛接手業務後，我們用近一個月時間嘗試把阿里拍賣推薦按照傳統頻道頁推薦來做，結果使用者側的效率有明顯提升，但和業務對焦發現，核心指標拍品拍下率不升反降，甚至是降的厲害。被打臉後我們不禁反思，我們錯在哪裡？

先看業務指標：

拍下率 = = 1 - 流拍率

解讀：

(1) 業務最終目標是GMV，可是拍賣中的價格差從幾百到幾億，直接量化存在困難。因而，業務和技術一致認同將目標先拆解為拍下率；

(2) 在淺庫存約束下，要考慮到長尾商品，並對頭部商品流量去中心化；

(3) 從業務側，相比於酒類玉器等珍品，房產等大資產的拍下率優化更為重要，業務要求珍品和大資產的指標分開統計；

(4) 拍下是一個延遲過程，特別是大資產的開拍時間可能長達10多天，這個演算法天級別的優化帶來困難；業務建議，可以將訂閱率和交保率作為大資產演算法優化目標.

(5) 影響GMV的因素，除了拍下率外還有溢價率（可簡單理解成高於市場價的百分比），這也是傳統拍賣關心的指標，這一塊暫未做嘗試

(6) 對新使用者儘量避免因調控而導致流失

回到問題，在傳統猜你喜歡對商品、內容導購時，我們知道要把好的品給對的人。好的品往往是經過群體行為檢驗的，模型判斷出的高點選、轉化或關注的品。

如果真有一個品大家都喜歡，那麼大概率是運營強控置頂，比如1499元的茅臺。匹配的過程往往是從使用者視角，讓商品經過選品->召回->排序->重排序這樣的漏斗，並最終展示每頁10~20個商品。但在淺庫存的約束下，如果一樣東西搶手，給過多的人看就造成了流量浪費；而如果一樣東西有潛在價值但受關注過少、最終流拍，就更加可惜。在拍賣的導購中，更關心一個商品是否會賣，而不是某個使用者是否去買。兩者的區別，小結如圖：

整體框架

按照從底池->曝光->點選->訂閱->交保->拍下的漏斗，我們在各個環節做了嘗試，標紅部分是有較大效果提升。其中，從交保->拍下在傳統拍賣中更加關注，特別是提升溢價率，這部分目前還沒有嘗試。

在求解過程中，會遇到如下一些問題：

（1）淺庫存約束下，如何均衡流量分配與效率？在此約束下，是不是更適合做Exploration and Exploitation？

（2）怎麼判斷一個拍品好是不好？對好的拍品，我們如何做冷啟動？

（3）如果拍下率是優化目標，那麼拍賣的流量怎麼量化，與拍下率的關係是什麼？

（4）拍品分為預熱、開拍和結束拍賣三個關鍵時間節點，該如何考慮拍賣時間節奏？

帶著這些問題，我們將從模型調控和新品冷啟動兩個角度來分析。

流量調控

▐整體思路

布洛和柯倫伯(1996)證明了，在非常一般的私人價值環境中，以及更一般的共同價值環境中，一個簡單的無保留價格，有N+1個買方的升價拍賣比任何一個只有N個買方的最優拍賣都具有更好的盈利表現。在線上拍賣，買方可定義為繳納保證金的人。這個定理也啟示了我們，交保證金的人數與最終商品是否拍下，可能有強相關性。那麼究竟如何量化交保人數與拍下率，以及如何定義我們的目標函式，並構建調控模型。我們進行了如下工作：

1. 擬合了交保-拍下率效用函式，並給出相應假設

2. 定義了優化目標函式，並用拉格朗日乘子法求解

3. 在模型中引入時序和流量權重

4. 討論了上述拉格朗日模型的適用範圍

▐資料分析

通過拉取歷史成交資料，可發現交保人數與拍下率呈如下關係，其中不同曲線代表了不同品類，如手錶、字畫、二手車等：

通過對交保人數與拍下率的關係做了定性，可以發現：

• 交保人數越多，拍下率越高

• 直觀的看，該曲線的二階導<0，意味著隨著人數增加，拍下率的邊際收益下降

• 當交保達到一定的人數時，邊際收益已經非常微弱，此時流量的邊際成本不變，則可認為是流量浪費，這裡的臨界點稱為最優交保人數

• 不同品類的曲線和最優交保人數有較大區別

▐問題假設

如何定量？我們不妨從假設開始。

假設1：交保次數與拍下率滿足如下關係

其中是商品j交保次數，是j的拍下概率，a是引數並按品類區分。本函式的假設是根據交保-拍下率曲線擬合得到，對不同業務需要先假設函式關係，再驗證是否滿足次模性。

假設2：最優交保人數是指，當交保次數達到某個值後，邊際收益明顯下降，即拍下率斜率。

超過了則認為會造成流量浪費。物理含義是商品j交保次數從後對成交概率的邊際收益。可以說，拍賣流量調控的切入點，就是最大化邊際收益。

假設3：在某個時間視窗內，每個使用者存在穩定的投資預期。

來拍賣頻道頁的使用者大多是投資和撿漏心智，雖然使用者的投資預期的具體數值難以估計，但我們不妨假設使用者期望交保的商品次數，在短時間內是一個常數。具體的取值並不影響最終排序，在後面的部分會闡述。

▐拉格朗日模型1.0

考慮目標函式：

其中，是使用者i對商品j的交保概率，是最大熵正則項，用於控制流量均衡；是交保次數與拍下率的函式；是商品j的交保上限。考慮假設3，當交保次數k足夠大時，邊際收益接近於0，則認為此時的k為交保上限；是引入的一個與使用者i相關的變數，表示使用者i的投資預期，由假設4可知恆定。該問題的拉格朗日形式如下：

（1）

KKT:

推導：

(2)

(3)

即：

令：

則：

把Z帶入由（2）式得：

又由原式式(1)可知，的梯度為：

其中，是拍品j是當前交保人數，越大，說明離調控目標還有距離，則會變小，從而使分配概率增大。考慮，在個性化排序中是在同一使用者下比較商品得分，因而最終的計算可以忽略變數和。

▐拉格朗日模型2.0

帶有時序的調控目標

在上述1.0模型中，最優交保人數是調控目標。然而，我們忽略了拍品起拍和結束時間的影響。試想，有兩個同類目的拍品，效用函式一致、最優交保人數一致、結束時間點也一致、當前拍下的人數也相同。但一個離結束拍賣還有2小時，一個還有1天。那顯然，我們應該優先考慮快結束的拍品。如何在模型中體現這件事呢？根據日誌，我們把拍賣的結束時間點和離結束時間的小時數做如下二維表：

其中，橫軸是拍賣結束的時間點，縱軸是距離結束時間的小時數。取值為該時間段的交保人數佔比=商品交保人數 / 商品最終總交保人數，如在下午14點結束的拍品集合中，離結束還差2小時交保人數佔比是14.58%。基於統計資料，我們可以得到隨時間變化的曲線，如下：

從而可以得到

上述的例子中的兩個拍品，假設都是14點結束，則裡結束還差2小時的拍品當前調控的目標值為距離結束還差1天的拍品調控目標值為。

流量評估中引入使用者權重

在拍賣業務中，除去黑產有五類使用者：超級VIP使用者，VIP使用者，至少購買一次的使用者，至少交保一次的使用者，小白使用者。在背景篇中，有介紹說不同使用者群體在拍賣頻道中的行為差異極大，如超級VIP使用者和小白使用者的交保率相差12倍，而拍下率則相差26.4倍！

考慮有兩種情況，拍品1和2起拍和結束時間一致，品類一致，效用函式一致、最優交保人數一致。且當前交保人數都是8人，但拍品1是由8個超級VIP使用者交保，而拍品2是由8個小白使用者交保。那麼從直觀上，就可以認為拍品1的拍下率高於拍品2。同樣，如何在模型中體現？

考慮效用函式擬合的是交保次數與拍下率的函式關係。通過引入使用者權重可將改寫為：

其中，，仍基於統計資料，上述5類人群的取值權重為5:4:3:2.5:1。使用改寫後的重新擬合曲線，得到新的效用函式。

引入時序和使用者權重後，模型調整為：

▐淺庫存約束下的流量調控問題

回到假設，我們通過建立拉格朗日模型來求解淺庫存的拍賣流量分配問題。這裡一定有人問，我的業務適合這種調控模型嗎？上述模型適用的必要條件是什麼？

不妨小結下，我們假設了拍品交保人數和拍下率滿足函式關係，並設定了目標函式，其中L是演算法調控目標。如果從問題出發，考慮使用者總數是N，可得向量空間，其中表示是否交保。在已知部分使用者已交保的前提下，商品j拍下率可表示為，則整體拍下率期望可表示為，如圖：

注：user對Item的交保行為可想象為在圖示中的格子裡畫圈，會發現在某一個商品（如）上的邊際收益越來越少，且全域性的邊際收益也在逐步減少，這就是次模性的含義。此外，要儘量找某一列還沒畫過圈的商品，但此類商品缺少歷史行為不確定要哪個更好，這就是下一章要提到的冷啟動的問題。

圍繞著函式關係，不妨記為。F的表現是，拍下率隨著交保人數的增加而增加，但斜率逐漸下降，這是邊際收益遞減性質的一個樸素體現。在數學上，以次模性(Submodularity)描述函式的邊際收益遞減性質，具有次模性的函式被稱為次模函式(Submodular Function)。其標準定義為：對給定的離散集合S，滿足

其中，集合函式是從向量空間到實數的對映。隨著次模函式的自變數集合內元素擴充，向該集合內加入一個新元素所能帶來的增益會越來越小。例如，假設商品和屬於同一類目，因而效用函式相同都是，當前狀態下已經有交保，而只有交保，此時如果新增對兩個拍品都交保，則邊際收益滿足：。上述次模現象在其他淘寶淺庫存的業務中也有體現，如閒魚。那麼次模性與問題是否可解的關係是什麼呢？

性質1：函式滿足次模性。

證明：考慮在maximum的目標下，次模性submodularity與concavity等價[Polyhedral aspects of Submodularity, Convexity and Concavity]，不難推導滿足下述表示式，即滿足了次模性的充分必要條件。

性質2：拍下率的期望函式E滿足次模性。

由性質1，函式具有次模性，又因為不同商品共用同一個向量空間，由次模性的conditioning性質，即：

Conditioning: FS submodular on V, W subset of V

Then is sumodular

因而期望也滿足次模性。即為拍下率期望E的最大化問題存在多項式解法。

綜上，在拍賣問題中，對交保次數與拍下率兩個變數圍繞邊際收益遞減的性質展開，在假設效用函式時，需要考慮函式具有次模性(Submodularity)，從而問題可轉化為maximum下的concavity或minimum下的convexity，並進一步設定目標函式和約束條件，再利用拉格朗日對偶性求解。

所以，上述模型適用條件是：

• 淺庫存約束

• 效用函式滿足次模性
  

更多tips：

• 考慮效用函式，當庫存量為1時為拍下率，當庫存量>1時可以理解為商品j拍下數的期望值。在拍賣中大多數拍品的庫存為1，但上述模型對庫存量>1的淺庫存問題同樣適用，這裡淺庫存定義是商品存量 < 使用者需求量，購買者之間存在博弈；

• 同品類下效用函式引數a取值相同，此時流量均分是最優策略；在不同品類之間，引數a取值不同，當a越大時曲線越陡峭，說明邊際收益越大，則可以傾向給更多流量；

• λ如何除錯？我們分析了λ與以下變數有關：由命題一，品類數越少則越趨近於流量均分策略，從而λ越小；庫存越小，同理，流量趨於均分，從而λ越小。

• 如果是求解maximum問題，一個直觀的次模性函式如圖：

新品冷啟動

▐整體思路

對拍品價值的分析，不論是從點選率還是轉化率出發，都離不開日誌，但第一步在這裡就卡殼。因為拍賣的商品時時刻刻在更迭，大多數Item只有一次生命期，不論是流拍還是拍下，都不再出現。除非是迴圈拍的珍品和法拍房，考慮佔比小這裡不討論。商品更迭快，特別體現在字畫古玩等高消拍品，大約每天更新40%。推薦系統始終面對冷啟動問題。而且，需要及時更新商品庫，延遲超過兩天，各種指標就會腰斬。關於如何求解拍賣冷啟動問題，我們進行了如下工作：

• 多臂老虎機模型做流量調控

• Knowledge Graph Embedding，基於關鍵屬性對商品表徵

• PGM概率圖模型，基於不同品類下關鍵屬性構建Bayer Network，並進行inference learning

• 對關鍵屬性有效性的評估

▐一個例子

拍賣商品的生命期往往是：預熱-開拍-結束拍賣，這意味著每天都有大量新品湧入頻道頁，這也必然給推薦帶來冷啟動困難。我們先看個例子：

上圖選出的是4款較受歡迎的爆款拍品，考慮到庫存只有一件，實際上這些拍品流量都過載了。從這四個爆款也可以看出，拍品有明確的生命期，考慮更多拍品生命期很短，比較形象的圖示如下：

有點像多個疊放在一起的石拱橋。這樣的品類更新方式帶來了挑戰是：

• 模型訓練。比如在離線CTR預估模型中，3天，7天，15天的item統計特徵往往佔特徵權重的大頭，而在拍賣問題中，高消品每天約有40%的商品更迭。

• 新品孵化。很多高消品線上時間很短，甚至直到下線依然只有很少流量光顧而最終流拍。目前，拍賣整體流拍率達到70%，如何及時發現好的拍品，演算法急需嘗試Explore & Exploit。

• 工程上保證鏈路穩定，一旦超過2天未更新商品遲會驟減，整體指標甚至腰斬。

▐Explore & Exploit

回憶一下，拍品的交易鏈路是曝光->圍觀->訂閱->交保->出價->成交，其中圍觀->訂閱是拍賣冷啟動最關注的階段，訂閱->交保則是流量調控關注的階段。E&E演算法思路比較簡單，只需走通實時鏈路並定義清楚調控目標，就可以實驗。

▐拍品的關鍵屬性

拍賣的結果取決於三個因素，拍賣的規則、拍賣物件的估值、競標者所有的資訊。在阿里拍賣中，拍賣規則始終為公開的英式升價拍賣；競標者所有資訊，可以理解為使用者畫像，包括使用者實時行為，以及使用者年齡、性別和購買力等屬性。上述資訊往往與個性化鏈路集合，比如使用者行為分為淘系的和拍賣站內的，都作為個性化召回鏈路的trigger；年齡等屬性則作為rank model的特徵。這與傳統個性化鏈路做法基本一致。

然而，阿里拍賣頻道頁與傳統頻道頁不同，如上文所分析，使用者往往帶有撿漏的心智而來，因而首先需要對拍賣物件的估值。作為平臺，則需要提供儘可能多的資訊便於他準確估值。這些資訊在本章中稱為關鍵屬性。譬如，錢幣的品相、面值、年代，酒類的產地、年份和度數；屬性值一般可列舉，例如玉石的種地型別包含{冰種，糯種，冰糯種}。商品詳情頁如圖:

對冷啟動缺少日誌的商品，關鍵屬性可以部分彌補。但難點是關鍵屬性只適用於部分品類，如酒類的度數只用於酒。從模型訓練的角度，更希望採用通用屬性做特徵；而如果每個類目單獨訓練一個模型，不僅繁瑣且日誌也不充分。針對上述問題，我們做了屬性評估，並嘗試了兩種模型來表達，以下分別介紹。

關鍵屬性的評估

同一個品類的關鍵屬性可能看似很多而實際可用很少。這裡就需要：

• 屬性有作用域，這裡選擇後臺二級類目，只有同二級類目的商品才有可比性；

• 屬性是有限集，每個屬性的取值也是有限集，例如, 手錶{機芯型別, 錶帶材質, 適用物件, 價格範圍}，而機芯型別{自動機械錶, 石英錶, 手動機械錶, 機械錶}

• 屬性及屬性值的選擇，需要從以下幾個維度判斷：

• • 覆蓋度 屬性及所選屬性值包含的商品量級。例如法國產區與酒類強相關，但覆蓋不足；

  • 均勻性 有的屬性看似商品多但其實不能用，商品分佈絕大部分都集中在一個屬性值

• • 區格性 有的屬性取值與投資價值沒啥關聯，使得這些屬性值之間沒有區格，譬如書法/繪畫品類的字畫性質：會發現這裡的ratio非常接近，說明字畫性質的原稿和原創沒有區格

  • 保序性 比如鑽石切工，從完美到一般是有序的集合，所期望對應的熱度也是有序的

Knowledge Graph Embedding

我們通常利用三元組（triple）來表示一條知識，格式為（頭實體，關係，尾實體），例如三元祖（阿里巴巴，創始人，馬老師）來表述”馬老師是阿里巴巴創始人之一“這條知識。隨著三元組的不斷積累，實體之間的關係愈發豐富，實體、關係型別愈發豐富，所構成的知識圖譜（Knowledge Graph）便更加強大。在這個“萬物皆可embedding”的時代，圖譜也能夠對圖上的每個節點、關係都產生一個向量表徵，用於下游任務。

知識表示便是一種產出向量表徵的方法，該方法主要是將是實體和關係通過某種方式對映到某個向量空間中，進而利用連結預測（link predict）任務的方式結合損失函式進行訓練。連結預測任務是給定（頭實體，關係）來預測尾實體，或者給定（關係，尾實體）來預測頭實體，例如給定（阿里巴巴，創始人），期望能夠預測到馬老師等創始人而非xxx，預測正確的loss會更小，錯誤loss會更大，進而通過反向傳播進行訓練。

知識表示發展至今，也有眾多方法，其中最經典，最簡單的也正是TransE方法，該方法將實體和關係都對映到同一個向量空間，通過計算歐幾里得範數得到距離，距離越小表示向量運算更為正確，最終損失函式通過hinge loss計算得到損失後反向傳播至實體與關係，不斷的調整實體與關係的向量表徵，儘可能使得:

其中距離函式為該距離越小表示該三元組的向量表徵越正確。由於該演算法是一個無監督的演算法，故訓練過程採用手動構建負樣本並期望正負樣本差距較大，且大於某個margin即可，如下公式所示：

其中為正樣本距離，為負樣本距離，其中負樣本為。一般來說，頭尾實體不同時替換，可能會替換成一個正樣本；且負樣本的構造是整個模型訓練的關鍵，負樣本過於簡單則起不到訓練效果，負樣本過於難學習可能難以收斂，故負樣本構建上本文選擇了同葉子類目下進行構建負樣本，相比於全域性下的負樣本構建，在珍品三元組替換到了大資產的房產其實是沒有學習價值的。

模型訓練後評估過程是針對訓練集中的三元組，將待替換實體替換為訓練集中的每一個實體，然後計算距離，最後將所有三元組距離進行排序，計算正確的三元組的排名計算得到Mean Rank和[email protected]進行衡量。其中Mean Rank表示排名的平均值，該值越小越好；[email protected]一般看[email protected]、[email protected]等，其表示排名在前N個的佔比，該值越大越好。

三元組示意圖

根據embedding聚合後的視覺化結果

左圖：向量低維視覺化成簇

右圖：i2i召回視覺化

如何使用？

通過關鍵屬性這樣的靜態特徵，使用transE演算法可得到Item的embedding特徵，可以作為：

1. 模型特徵，如離線CTR預估的GBDT模型，之前在天貓新品業務中嘗試，可以提升點選率和新品冷啟動效率

2. 得到embedding I2I，swing i2i或是slim演算法更加依賴行為日誌，在日誌充分、新品較少的業務並不work。但在拍賣這樣商品更迭頻繁，新品佔比高的業務，基於knowledge graph embedding可以作為補充，提高覆蓋率。具體的AB效果見後文。

PGM概率圖模型

PGM一般適用於當特徵之間不滿足條件獨立性假設時，通過特徵之間的依存關係構建graph，並將第一層節點視為先驗概率，上游節點視為下游的條件概率分佈，並最終計算得到聯合概率分佈的過程。如圖：

整體流程是：

• 從覆蓋率、區格、均勻和保序四個維度做特徵評估和選擇

• 根據訂閱日誌，構建先驗概率分佈和條件概率分佈，譬如P(題材='山水畫')，P(訂閱='yes'|題材='山水畫' & 品相='十品')

• 基於pgmpy包，構建Bayesian Networks

• 做inference learning，演算法採用Belief propagation，其中引數優化使用BDeu評分函式

• 各類目關鍵屬性統一對映到一個score，可以直接使用，或將其作為GBDT模型特徵。

流量調控與個性化分數融合

Tips：

• 流量調控部分的score，僅限同品類內的比較，比如在比較字畫與房產這種跨類目品類，只考慮個性化分

• 對新使用者不做調控，特別是沒有一次交保的小白使用者

整體效果

• GMV和IPVUV

經過半年的優化，拍賣首頁猜你喜歡核心指標變化如下，考慮到6.10號有改版（猜你喜歡從第三屏到第二屏），這裡可以著重看下近三個月的指標變化。對比六月，八月份日均GMV+98%，日均引導IPVUV+28%，拍下UV+69%，30天拍品拍下率從+381%，均明顯高於大盤增幅。

• 主要驅動是大資產，可以看下大資產6.10~9.10的IPVUV和GMV：

• AB實驗結果明細

下一步工作

從演算法角度，一直有兩個問題沒探討，其一是使用者冷啟動；其二是價格。如何讓新使用者破冰？即第一次交保。除了技術層面，這裡還包括信任層面。畢竟拍賣不論是B端還是C端，都是很專業的事情。不過，猜你喜歡更有義務來承接。其次就是價格，高客單是拍賣的特點，而價格本身也是決定某拍品是否有人出價、最終拍下重要因素；此外，拍賣的品往往用於投資，具有很高的價格彈性。如何在推薦鏈路中融入價格，既需要，也很困難。

最後是站在業務角度，英式升價拍賣也不一定是線上拍的最優機制，譬如今年諾獎獲得者提出的同步多輪拍賣(SMRA)，也是針對“贏家詛咒”問題做了很好的解法。此外，他們還有一個證明是“當競標者在投標過程中對彼此的估價瞭解得更多時，這種拍賣形式會給賣家帶來更高的預期收入”這一點也值得關注。因為，競標者對於拍賣品的估價可能與其他競標者估價相互關聯。也就是說，如果某個競標者對拍賣品的估價發出強烈的訊號，其他競拍者看到這一點，自己的估值訊號也會變得強烈。當越來越多的相關私人資訊被揭示，傳統的升序英式拍賣就會比降序的荷式拍賣產生更高的收益。或許，我們也不能總是獨立的看待每個競拍者，對吧？

特別感謝：淘系商家自運營及智慧場景組、淘系商業機器智慧團隊及阿里拍賣事業部，也希望更多的小夥伴瞭解和走進阿里拍賣業務。

淘系技術部-商業機器智慧團隊

商業機器智慧部是一支資料和演算法一體的團隊，服務於淘寶、天貓、聚划算、閒魚和躺平等業務線的二十餘個業務場景，提供線上零售、內容社群、3D智慧設計和端上智慧等資料和演算法服務。我們通過機器學習、強化學習、資料探勘、機器視覺、NLP、運籌學、3D演算法、搜尋和推薦演算法，為千萬商家尋找商機，為平臺運營提供智慧化方案，為使用者提高使用體驗，為設計師提供自動搭配和佈局，從而促進平臺和生態的供給繁榮和使用者增長，不斷拓展商業邊界。

這是一支快速成長中的學習型團隊。在創造業務價值的同時，我們不斷輸出學術成果，在KDD、ICCV、Management Science等國際會議和雜誌上發表數篇學術論文。團隊學習氛圍濃厚，每年組織上百場技術分享交流，互相學習和啟發。真誠邀請海內外相關方向的優秀人才加入我們，在這裡成長並貢獻才智。

如果您有興趣可將簡歷發至[email protected]，期待您的加入！

✿拓展閱讀

作者王海平（感知）

編輯|橙子君

出品|阿里巴巴新零售淘系技術