论文背后： Yudi Zhang 发现了一种更细致的方法来解析消费者旅程
您为何加入亚马逊广告？
我认为在亚马逊的研究内容非常有趣。公司为我提供了大量的数据资源，用以研究先进的推荐系统和个性化解决方案，这些研究成果直接塑造了消费者的体验。许多大公司都配备了这样的系统，因此广告部门成为了职业发展的理想之地。亚马逊通过资助会议和支持科学研究来投资科学家，使我们始终保持在广告领域的前沿地位，而且广告部门近期的发展势头十分迅猛。
您的主要研究领域是什么？
我的主要研究方向是推荐系统与个性化技术，致力于构建模型和算法，为消费者展示他们可能感兴趣的商品。推荐系统通常包含两个核心部分。第一部分是数据采集，我们会尽可能全面地检索相关商品，以便展示给消费者。第二部分是排序优化，我们将检索到的商品按照一定的顺序进行排列，确保消费者能够更容易地点击到对他们最相关、最感兴趣的广告。我目前专注于数据采集部分。
重点是多触点归因，这是一个研究领域，旨在理解消费者旅程，并识别哪些互动对最终转化（即点击或购买）贡献最大。在数字零售空间，消费者在购买前往往会与多个触点互动： 他们查看一些广告，浏览一些商品页面，阅读评论。所有这些不同的行为和互动都被视为触点。
传统上，模型会侧重于捕捉末次触点或首次触点的归因，即认为转化过程中的第一步或最后一步对最终的转化行为起着至关重要的作用。但消费者旅程非常复杂。大多数情况下，一些中间触点在推动消费者决策方面更为重要。因此，本论文寻求一种更全面的建模解决方案，以理解这些互动在整个消费者旅程中如何共同作用。
这项研究的激动人心之处在哪里？
我认为论文最激动人心的部分是它使用注意力机制来建模归因。简单的多渠道归因模型只是将每个互动视为独立的，或给予每个互动相同的权重。但注意力机制会查看触点的整个序列，并动态评估每个触点在消费者旅程中的重要性。如今，许多基于人工智能的工具都是基于这种注意力机制进行训练的，这是一种能够从大数据中识别出哪个点更重要的层。它在我们的归因任务中也表现良好。
这是论文的一部分，另一部分是神经常微分方程 (ODE)。其他类型的模型可能会使用时间序列来建模消费者旅程，其中每个步骤在相对规则的时间间隔内发生。但在现实生活中，消费者旅程中的各个触点之间可能存在很大的时间间隔。消费者可能会在今天浏览某样商品，然后仅在 10 秒之后，或者是在 10 天之后才再次查看另一样相关的商品。ODE 能够捕捉这些不规则的时间间隔。
我们在 AWS 不同营销渠道（例如付费搜索和自然搜索）的消费者互动上测试了该模型，并试图确定哪个渠道对转化更重要。其表现远优于传统的归因方法。
这项研究对广告行业有何影响？
尽管研究重点是 AWS 的营销渠道，但该方法同样适用于广告行业。其影响主要体现在三个方面。首先，了解消费者互动的顺序和时间安排，对我们确定哪些广告组合效果显著，以及找出最优的展示顺序大有帮助。这些知识能够为我们的方案提供有力支持，让我们能够以认知为导向的广告作为互动的起点，进而引导潜在顾客逐渐转向那些能够促进转化的广告。其次，了解每个触点的有效性，使广告主能够更精确地个性化其广告活动。例如，我们可以向之前对特定广告格式和内容表现出高度互动的消费者投放广告，提高消费者旅程中每个触点的相关性和影响力。第三，随着我们收集到不同触点如何影响消费者行为的数据，我们可以构建预测模型，在广告活动启动前估算其可能的影响。
对于您在亚马逊广告的工作，您喜欢哪些方面？
亚马逊广告不仅拥有巨大的影响力，还具备探索并实施创新思路的灵活性。我们的部门在此过程中，为公司的整体增长贡献了重要力量，这实在令人振奋不已。我可以访问大量高质量的数据集，这对构建稳健的机器学习模型非常有价值。这让我能够使用先进技术进行实验，所以在这里的体验非常好。
广告部门的科学家也紧密合作，我们有一个网络来分享想法并加速创新。例如，在一个推荐系统项目中，擅长机器学习的科学家可能会与自然语言处理或因果推断的专家合作，创建一个全面的解决方案。我们定期同行评审模型，验证结果，并探索替代方案，以确保准确性和效率。我们还与软件工程师携手合作，将模型集成到亚马逊的基础设施中，优化实时性能和可扩展性，并与产品经理合作，使模型与业务目标保持一致，直接影响用户体验和互动。
亚马逊汇聚了众多才华横溢的人才，在与他们携手合作的过程中，我能够学到许多宝贵的东西。
在您的职位上，您是如何对广告进行革新与重塑的呢？
我希望增强我们模型的可解释性，注重其透明度，让广告主不仅能看到性能指标，还能深入理解这些洞察背后的逻辑原理。如果我们能为广告主提供更加详尽的解释，那么相应地，我们也能为消费者带来更有价值、更加相关的体验。
