eBay舊有推薦系統架構概覽，原則上是比較主商品與眾多商品的特徵嵌入向量，並依照嵌入向量距離遠近來排序推薦商品。（／eBay）

商品推薦是零售業的核心課題。從實體商店將類似或互補商品陳列在一起，到現今電商以數據驅動RMN廣告，「如何呈現出顧客會有購買興趣的商品」，是一個不同時代有不同答案的亙古問題。

有2兆元交易額、1.35億名活躍會員、17億項商品的電商平臺eBay，正在嘗試交出新時代的答案卷。

「電商領域中，99%個人化推薦系統還在用老舊的典範──把商品相似性當作關聯性。」eBay AI長Nitzan Mekel-Bobrov直言。

早在2010年，eBay工程部落格的開站文章中，當時的eBay數據探勘主管Junling Hu便提到，他們新引入了協同過濾（Collaborative Filtering），將購買紀錄相似的顧客分群，再推薦分群中不同顧客曾購買的商品給彼此，是當時相似性推薦的主流技術。

這15年間，隨著技術進步，他們開始逐漸開始應用機器學習、深度學習等技術來強化推薦系統，更於2021年，聘任首任AI長Nitzan Mekel-Bobrov，主導推薦在內的AI做法。

eBay AI長分別在Boston Scientific、Capital One跟Booking.com等不同領域的大型企業擔任了超過13年高階數據工程主管，不過過往並沒有零售業經驗。剛加入eBay時，他聽說零售業界強調個人化推薦，且有AI模型可以預測顧客間相似度，感到非常好奇。「結果我花了一個月研究，才發現這種說法根本是認知失調。」他不諱言。

Nitzan Mekel-Bobrov認為，零售業絕大多數的推薦模型，仍是基於商品相似性2大原則：第一個是先前提到的協同過濾，第二則是內容過濾（Content-based Filtering），比前者更加簡單，單純依據商品特徵相似度來推薦商品。

許多複雜或利用先進技術的推薦系統，背後原理依然與此2原則脫不了關係。Nitzan Mekel-Bobrav舉例，透過深度學習技術，AI模型可以從非常多維度來分析商品，將這些維度轉換為嵌入向量（Embedding Vector），再利用K-近鄰演算法（KNN，K-nearest Neibourgh）等方法，從向量空間中找出最接近的商品。這種做法仍屬於內容過濾法精神。

另一個例子是，有些號稱以顧客興趣為中心的AI模型，會比較一系列的商品點擊紀錄，甚至進而預測下一個商品點擊行為。不過，「這仍是從商品相似性為出發點，還把一個活生生的人化約成區區幾個滑鼠點擊。」Nitzan Mekel-Bobrav吐槽。

相似性推薦法已經不夠有效

多年來，eBay也是從商品相似性出發，來進行個人化推薦。

這種思維帶來的最大限制是，不論技術上如何先進，判斷商品相不相似，都是基於電商對商品的分類方法，以及對相似性的定義。這意味著，就算有一組商品，在顧客認知中具有高度關聯性，只要這些商品各自被歸類到差異很大分類中，系統便無法推薦。

Nitzan Mekel-Bobrav指出：「這限制了商品探索階段的可能性，打擊了顧客體驗和廣告投報率，進而影響交易量。」

為了嘗試涵蓋更多顧客角度，eBay會賦予1種商品多種分類。以Jordan 1運動鞋為例，他們將這個商品分類在「服飾／男性／足類商品」、「服飾／男性／運動類商品」、「收藏品／服飾／足類商品」等，共12種分類下。不過，不論電商如何分類商品，顧客眼中都可能有更多種截然不同的分類方法。這對於有1.35億名活躍會員、17億項商品的eBay來說，尤其如此。

相似性推薦法另一個明顯短版是，利用KNN、ANN（大約近鄰演算法，Approximate Nearest Neighbour）等找出向量最接近商品的方法來做推薦，有可能因為同性質的商品數量過多，而使推薦內容枯燥無味，甚至全是不同賣家上架的相同商品。

他以自家電商頁面為例，eBay商品頁面會有類似商品版位及交叉銷售版位，前者是用來呈現同款不同價位商品及類似款項商品，後者則是用於顧客商品探索，主要呈現互補品或其他關聯商品。延續Jordan 1鞋子的案例，進入商品頁面，這2種推薦商品版位，呈現出來的商品全都是同款鞋子。這是因為，eBay站上有太多人在賣同款鞋，即使交叉銷售版位會檢索嵌入向量鄰近度稍微遠一點的商品，還是只會找到同款鞋。

這種現象，等於使eBay失去了讓顧客探索更多不同商品，促成更多訂單的機會。不只如此，顧客還可能因為購物體驗乏味，而直接離開網站，甚至減少未來造訪頻率。

漸進迭代式的改造推薦系統，先固本再革新

Nitzan Mekel-Bobrav認為，推薦系統最關鍵的課題就是，有效尋找高關聯性（Relevance）商品，引起顧客購買興趣。他強調，商品關聯性由顧客定義，而非平臺。這正是為什麼，eBay必須打破實行二十幾年的商品相似性推薦思維，採用一種新推薦方法，讓具有不同角度及背景的顧客，都能找到在他們眼中具關聯性的商品。

商品相似性推薦法將商品相似性與關聯性畫上等號。過往，eBay會制定一套理解商品的分類框架，再將顧客行為化簡為靜態的商品特徵數據，來匹配鄰近分類商品。這種做法聚焦商品數據，顧客數據顆粒度通常較為粗糙。

2021年起，eBay的推薦系統核心思維，開始採取不一樣的新做法，改從顧客行為出發，猜測顧客眼中的商品關聯性──不只根據相似性，也可能包括互補性、替代性，或其他關係。他們用接近即時的方法跟隨顧客旅途，蒐集顧客行為時序，不斷猜測顧客興趣，再根據興趣推論顧客如何連結起商品。

從平臺單一角度出發，分析單一種關聯性因素，轉變成從上億個顧客角度出發，分析多種關聯性因素，需要處理更大量、更細緻的顧客及商品數據，難度較商品相似推薦方法高不少。

不過，對eBay來說都是，要多增加一個數據維度來支援推薦系統，都是一件龐大且艱難的工程。因為，他們的商品高達17億項，而且類型多元，許多商品是非規格商品，甚至是不會重複上架的一次性販售商品。許多常見的數據處理方法，難以規模化來套用到eBay這種量級和複雜度。例如，對每一件商品紀錄上千維度的元數據，再計算出這些元數據間的種種關聯，以eBay規模來說是一件成本極高的事情。

eBay建設推薦機制的超高難度，使他們轉移推薦典範時並非一蹴而就，而是從強化既有推薦做法開始，先訓練出自己的語言模型，來處理商品文字資訊，再加入了更多維度及模態的商品數據，作為推薦依據。他們還得想辦法優化龐大模型的運算量，來縮短推薦系統的計算延遲，也能處理更多更複雜的數據。

對商品數據累積足夠的理解後，他們開始擴大蒐集及分析更多種類、更細緻的顧客行為，要從顧客角度，描繪出專屬每一個人的商品關聯性框架。

 系列報導 1  為何eBay要推翻用了25年的傳統推薦？

 系列報導 2  超級個人化推薦是eBay下一步目標