微眾銀行AI部門副總經(jīng)理鄭文琛發(fā)表演講

作為國際數(shù)據(jù)科學(xué)和數(shù)據(jù)挖掘領(lǐng)域最頂級的學(xué)術(shù)會議,KDD大會以論文接收嚴(yán)格聞名,每年的接收率不超過 20%,因此頗受行業(yè)關(guān)注。在嚴(yán)格的評審制度下,微眾銀行AI團(tuán)隊(duì)與各高校聯(lián)合提交的與AI精準(zhǔn)營銷、智能推薦相關(guān)的兩篇研究論文,成功被KDD收錄:

其中,論文《Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction》由微眾銀行AI團(tuán)隊(duì)、香港科技大學(xué)團(tuán)隊(duì)共同發(fā)表。論文主要研究了社交內(nèi)容推薦的公平性問題,即在現(xiàn)有機(jī)器分發(fā)機(jī)制下,少量熱門內(nèi)容及其創(chuàng)作者容易變得越來越熱門,“馬太效應(yīng)”明顯。為了解決該公平性問題,該論文基于社交網(wǎng)絡(luò)屬性,提出一個Social Attentive Exploration Network(SAEN)模型。該模型在去中心化的思想指導(dǎo)下,通過對不同用戶做個性化探索和多樣性推薦,實(shí)現(xiàn)了內(nèi)容消費(fèi)者滿意度和內(nèi)容發(fā)布者公平性兩個指標(biāo)的平衡,得到了很好的效果。

目前,該研究成果已成功運(yùn)用于微眾銀行AI營銷解決方案,主要落地智能推薦業(yè)務(wù)板塊。以財(cái)經(jīng)類付費(fèi)媒體-財(cái)新App為例,如今,越來越多的用戶付費(fèi)意愿強(qiáng)烈,如何智能化提升推薦效率,抓住意向轉(zhuǎn)化用戶,并同時(shí)最大化優(yōu)質(zhì)內(nèi)容稿件的公平分發(fā),成為一大挑戰(zhàn)。微眾AI在對信息流內(nèi)容進(jìn)行深度學(xué)習(xí)建模的基礎(chǔ)上,利用SAEN模型對內(nèi)容消費(fèi)者-內(nèi)容-內(nèi)容創(chuàng)作者的關(guān)系圖進(jìn)行兼顧效率和公平的內(nèi)容分發(fā),鼓勵更多內(nèi)容創(chuàng)造者和內(nèi)容消費(fèi)者之間的互動。由此,讓財(cái)新用戶讀越多(人均曝光提升13%),讀越久(人均閱讀時(shí)長提升19%),越想讀(人均點(diǎn)擊提升21%)。

而另一篇被KDD錄取的論文——《Hidden POI Ranking with Spatial Crowdsourcing》,由微眾銀行AI團(tuán)隊(duì)、電子科技大學(xué)等單位聯(lián)合發(fā)表。論文主要探討如何通過機(jī)器學(xué)習(xí)加眾包的手段來發(fā)掘潛在的地理興趣點(diǎn)。為了最大化潛在興趣點(diǎn)的發(fā)掘效率,該論文提出了一種Tree-constrained Skip Search(TSS)算法,來智能評估眾包工作者的質(zhì)量,并給他們分配最合適的興趣點(diǎn)排序任務(wù)。

在微眾銀行AI營銷解決方案中,該研究的概念被借鑒于微眾LBS(LocationBased Service)廣告投放業(yè)務(wù)。為了拓展業(yè)務(wù),經(jīng)常要在新地域投放廣告。微眾團(tuán)隊(duì)通過挖掘地理興趣點(diǎn)與跨地域的LBS遷移學(xué)習(xí),利用已投放廣告地域的數(shù)據(jù),來優(yōu)化在新地域廣告投放,達(dá)到了很好效果(提升5%)。另外,這一算法能力已被應(yīng)用于微眾銀行的數(shù)據(jù)管理平臺(DMP)。DMP平臺基于對種子客戶網(wǎng)絡(luò)行為、社會關(guān)系、LBS等信息進(jìn)行大數(shù)據(jù)畫像,應(yīng)用算法擴(kuò)展特征相似的客戶。通過這一方式,助力廣告主拓展保質(zhì)保量的線上推廣渠道,實(shí)現(xiàn)精準(zhǔn)拉新獲客,降低獲客成本。

目前,除了服務(wù)于微眾銀行本身的金融業(yè)務(wù),微眾銀行同時(shí)開放AI能力,積極探索“AI營銷+金融”的精準(zhǔn)營銷新道路。

Fred

baiyan