在6大ML生命周期中，定義問題、將問題轉換為ML問題，是催生Line購物推薦系統的關鍵階段。團隊思考，要兼顧增加銷售額與使用者體驗，就得從用戶購物旅程中的商品點擊下手，因此設計出商品推薦模型。（／Line）

每一項ML系統，都是因一個商業問題而存在，這正是Line購物大力擁抱AI的目標，他們最關鍵的商業問題是提升銷售額，而機器學習團隊的任務，就是想辦法用ML來提高銷售額。

不過，從商業問題出發，到落地成為一支AI應用，Line開發團隊有一套自己的方法論，這是一套涵蓋了整個機器學習（ML）生命周期的開發流程，從定義問題、將問題轉為ML問題、建模、執行AB測試、評估和決策等環節。

用ML方法解決商業問題

Line機器學習工程師黃昱睿指出，團隊接到商業需求時，先從定義問題開始，以提升銷售額的需求為例，考量了設計新產品、推行折價券和提高用戶體驗等3種實現策略，最終選擇ML可行性最高的第三種。

那麼，如何利用ML方法，來兼顧獲利（即訂單成交量）與用戶體驗，開發團隊從Line購物使用者旅程找切入點。由於Line購物屬於導購平臺，專門提供商品、文章等頁面，來導引顧客到商品店家平臺，同時在過程中提供點數優惠或回饋，因此用戶購物旅程會經歷：頁面瀏覽、點擊有興趣的商品／商店／文章、頁面跳轉至商家商品、最終下單。

在這段旅程中，Line鎖定下單前的「點擊有興趣商品」，作為ML問題切入點。也就是說，Line要預測使用者有興趣的商品，並在對的時間推薦給他們，來提高點擊率。

為進一步將這個概念轉換為可行的ML方法，Line團隊先進行2個資料面分析。首先是推薦時間點，若鎖定使用者操作「當下」想購買的商品，就得依據使用者過去購買的資料來訓練模型，好讓模型預測有興趣的商品。但這類資料量少，會造成模型過度學習，進而影響推薦效果和使用者體驗。

另一個考量是，模型要根據點擊次數來推薦商品，還是用戶「會點擊」的商品來推薦？也就是說，這個推薦模型該採用回歸模型，還是分類模型。

「我們最後選擇分類模型，」黃昱睿解釋，電商場景中，通常有群重度使用者，他們的熱門商品點擊率和消費額遠大於一般用戶，因此以點擊次數來推薦商品，就會過於偏頗。

於是，團隊將ML問題調整為「使用者未來幾天會點擊的商品」，不只能解決因資料稀疏、模型過度學習的問題，還能提前秀出使用者想要的商品，優化使用者體驗。

這就是Line團隊將商業問題，轉換為ML問題的過程。

建模靠5步驟，完成還得不斷迭代

有了ML問題，接下來就是建模。建模一般有5個步驟，包括特徵工程、整合模型資料、模型訓練、模型推論，以及離線評估。

在特徵工程階段，Line認為，頁面瀏覽、點擊和下單這類使用者行為，是決定點擊購買商品的關鍵。但光有這些特徵還不夠，還得與其他特徵做交叉群組計算，比如，年齡30歲至40歲點擊網站的次數，交叉比對年齡30歲至40歲且是男性、點擊該網站的次數，又或是再交叉比對其他屬性。

多了這些資訊，就能協助團隊更準確觀察，使用者在特定時間是否會點擊該商品。尤其，黃昱睿點出，這種交叉計算資訊，可以補足同一個特徵未必持續有效的缺陷。完成特徵工程後，就可以進行模型資料的整合，準備進入訓練模型的階段。

不同模型的訓練方式各有不同，但黃昱睿點出，模型訓練有2個常見要點，包括各項指標需與基準相比，以及比較多組模型成效。其中，這個基準可以是人工方法，也可以是傳統統計方法，ML工程師得觀察採用模型後，指標表現是否逐步提升。

在推論部分，因Line購物推薦模型，主要比對使用者嵌入向量和商品嵌入向量的相關性來推薦，進行推論時得同時考慮向量大小和推論時間。

「向量小、維度低，資料量少，推論速度快，」黃昱睿解釋，向量大則相反，因此如何拿捏向量大小與推論時間，得看應用場景和準確度等其他資料來決定。

最後則是離線評估，就像是模型的「模擬考」，來確認模型學習成效，以及是否太貼近訓練資料、難以因應新資訊等問題。

這就是Line購物推薦模型的建模5步驟。不過，一套模型得要多次執行這些步驟、不斷迭代，才能達到真正可用程度。因此黃昱睿表示，善用YAML配置檔輔助，可加速這個過程，節省工程師手動設置時間。

AB測試有4要點

接下來就是AB測試環節。在這個階段，Line團隊會將模型新作法和舊作法分為實驗組和對照組，來處理使用者或瀏覽記錄資訊，比較兩種作法的推薦成效。

黃昱睿提醒有4個AB測試的基本概念，包括使用者要均勻分布，如隨機分組就是一種方法。再來，在同個實驗中，使用者組別要固定，比如在一段時間內，登入網站的同一位使用者，都要固定在A組。

第三，若同個實驗中，實驗比率增加，如實驗範圍從10%擴大至20%時，實驗組的成員不變，即不能重新分組。最後，由於推薦系統屬於線上應用場景，因此測試時，要確保API也能高效率執行。

每次AB測試時，Line還會為每次輸入的瀏覽記錄，貼上一個標籤（Tag），儲存至資料庫後，可進行後續分析。同理，他們也會在每次的瀏覽記錄中，加入一些資訊，比如這次實驗的唯一代碼，方便後續做不同實驗的比較。

評估帶來的ML省思

有了實驗組和對照組後，就進入黃昱睿認為ML生命周期中「最重要的」階段：評估。在這個階段，Line關注的評估指標有ML指標和商業指標，如ML的精確度、平均排名倒數，或是商業的點擊率、轉化率、交易轉量等，不只能讓非技術的高層主管理解ML效益，也能衡量ML是否解決了商業問題。

黃昱睿接著說明，要是評估發現ML指標表現亮眼，但商業指標沒有起色，這可能意味著，「原本定義的ML問題，沒有打中要害。」

他以自己多年前的一項Email行銷專案為例，他與團隊打造一套ML模型，來預測使用者是否點擊Email內容。

當時評估發現，模型預測精確度很高，但購買率還是很低。這是因為，當初團隊開發模型，只考量使用者是否點擊，並未納入後續的購買、成交等消費行為，這時就得回過頭去定義問題。

不只如此，黃昱睿在後來一次次的評估中，觀察到推薦模型的特徵相關性，與原本想像的特徵，有很大的不同。

Line購物推薦模型是用來預測使用者會點擊的商品，照常理來說，點擊行為應該是推薦成功與否，最相關的特徵。但他後來發現，並非如此，因為點擊並不是使用者完全主動的行為，而是網站先呈現內容，使用者才能點擊。「主動搜尋，才是相關性最高的特徵。」他坦言。也因此，Line後來強化購物推薦模型時，打算納入更多與搜尋相關的特徵。

黃昱睿建議，開發者在建置推薦模型前，可先分析主動事件和被動事件，再找尋相關特徵，如此打造的推薦模型，效果會更好。

上線後需監控ML效能與商業指標

推薦模型經評估可行、正式部署上線後，Line團隊還有套監控機制，時時把關模型效能。

監控指標不只有特徵、ML效能指標，還要有商業指標，比如訂單量、點擊率，才能找出問題和改進方法。比如，使用者每天的商品點擊率遞減，團隊可從該商業指標發現問題，順藤摸瓜找出推薦模型效能逐步下降原因，介入調整。

黃昱睿點出，理想的推薦系統生命周期，應該由ML工程師和產品負責人一起合作維護。「有時候推薦效果不好，不只是推薦的原因，」他舉例，曾經做過流失分析，就算對流失使用者發送優惠券，使用者仍不買單。這時，就需要ML工程師與產品負責人共同討論，比如重新設計或重新建模，來提高推薦成功率。

「最理想的狀況是，工程師、產品負責人，甚至是企業中更多組織加入這整個ML生命周期，就能做出更完整的產品或服務，」他總結。

 相關報導