在数字化营销的业务场景中，召回模型是一种重要的工具，它可以根据用户的行为和属性，从海量的候选物品中筛选出最有可能感兴趣的物品，从而提高转化率和用户满意度。然而，传统的召回模型往往只能利用内部信息，即用户在平台上的行为和属性，而忽略了外部信息，即用户在其他平台或渠道上的行为和属性，以及其他来源的信息，如社交媒体、新闻、天气、节日等。这些外部信息可能对用户的兴趣和需求有很大的影响，如果能够有效地利用它们，就可以提升召回模型的效果和覆盖度，从而实现更精准的个性化推荐。
本文将介绍如何应用人工智能大模型，即具有强大的自然语言理解和生成能力的深度学习模型，来实现基于外部信息的召回模型。我们将分别介绍基于营销漏斗的召回模型和基于情景的召回模型，以及它们的原理和应用场景。我们还将给出一些实例和示意图，以帮助你更好地理解和运用这些模型。最后，我们将推荐你关注我们的个人号“产品经理独孤虾”（全网同号），在我们的专栏《用AI驱动数字化营销业绩增长》中，你可以找到更多关于人工智能大模型在数字化营销业务中的应用和案例，以及如何作为产品经理和运营人员，有效地利用这些模型来优化业务和提升用户体验。
在数字化营销的业务场景中，召回模型是一种重要的工具，它可以根据用户的行为和属性，从海量的候选物品中筛选出最有可能感兴趣的物品，从而提高转化率和用户满意度。例如，在电商平台中，召回模型可以根据用户的浏览、购买、收藏、评价等行为，以及用户的性别、年龄、地域、偏好等属性，从数百万的商品中，为用户推荐最合适的商品；在广告营销中，召回模型可以根据用户的点击、浏览、搜索等行为，以及用户的设备、网络、位置等属性，从数千种的广告中，为用户展示最相关的广告；在用户增长中，召回模型可以根据用户的注册、登录、活跃、留存等行为，以及用户的来源、渠道、邀请码等属性，从数百种的营销活动中，为用户推荐最有吸引力的活动。
然而，传统的召回模型往往只能利用内部信息，即用户在平台上的行为和属性，而忽略了外部信息，即用户在其他平台或渠道上的行为和属性，以及其他来源的信息，如社交媒体、新闻、天气、节日等。这些外部信息可能对用户的兴趣和需求有很大的影响，如果能够有效地利用它们，就可以提升召回模型的效果和覆盖度，从而实现更精准的个性化推荐。
例如，在电商平台中，如果我们能够利用用户在社交媒体上的点赞、评论、分享等行为，以及用户关注的明星、品牌、话题等信息，就可以更好地了解用户的喜好和风格，从而为用户推荐更符合其口味的商品；在广告营销中，如果我们能够利用用户在其他平台或渠道上的搜索、浏览、购买等行为，以及用户的兴趣、意图、需求等信息，就可以更好地捕捉用户的购买意向，从而为用户展示更有价值的广告；在用户增长中，如果我们能够利用用户在其他平台或渠道上的注册、登录、活跃、留存等行为，以及用户的社交关系、信任度、影响力等信息，就可以更好地识别用户的潜力和价值，从而为用户推荐更有激励的活动。
那么，如何利用外部信息来提升召回模型的效果呢？这就需要我们借助人工智能大模型，即具有强大的自然语言理解和生成能力的深度学习模型，来实现基于外部信息的召回模型。人工智能大模型可以从海量的文本数据中，学习到丰富的语义和逻辑知识，从而能够理解和生成各种类型的自然语言，包括用户的行为、属性、兴趣、意图、需求等。通过将人工智能大模型与召回模型结合，我们可以实现以下两种基于外部信息的召回模型：基于营销漏斗的召回模型和基于情景的召回模型。下面，我们将分别介绍这两种模型的原理和应用场景。
营销漏斗是一种描述用户从认知到转化的过程的模型，它通常分为四个阶段：认知、兴趣、欲望和行动（AIDA）。在每个阶段，用户的数量会逐渐减少，形成一个漏斗的形状。因此，营销的目标就是尽可能地扩大漏斗的上层，即吸引更多的用户进入漏斗，以及尽可能地缩小漏斗的下层，即促进更多的用户完成转化。在数字化营销的业务场景中，转化可以是购买、点击、注册、登录、活跃、留存等不同的目标行为。
基于营销漏斗的召回模型，就是根据用户所处的营销漏斗的不同阶段，为用户召回不同类型的物品，从而实现更有效的个性化推荐。例如，在电商平台中，对于处于认知阶段的用户，我们可以召回一些具有广泛吸引力的物品，如热门商品、新品上架、限时折扣等，以提高用户的关注度和兴趣度；对于处于兴趣阶段的用户，我们可以召回一些具有针对性的物品，如相关商品、相似商品、配套商品等，以增加用户的欲望和信心；对于处于欲望阶段的用户，我们可以召回一些具有优势的物品，如高评分商品、优惠券商品、赠品商品等，以激发用户的行动和决策；对于处于行动阶段的用户，我们可以召回一些具有延续性的物品，如再次购买商品、推荐商品、增值服务等，以延长用户的生命周期和提升用户的忠诚度。
那么，如何利用人工智能大模型来实现基于营销漏斗的召回模型呢？我们可以采用以下的方法：
-
首先，我们需要收集和整合用户的内部信息和外部信息，包括用户在平台上的行为和属性，以及用户在其他平台或渠道上的行为和属性，以及其他来源的信息，如社交媒体、新闻、天气、节日等。这些信息可以用自然语言的形式表示，例如，“用户A在微博上关注了明星B，并点赞了其最新的动态”，“用户C在淘宝上搜索了‘冬季保暖服’，并浏览了10个商品”，“用户D在京东上购买了一台电视，并给出了五星的评价”，“用户E在今天是情人节，并且所在的城市是下雪天气”等。
-
其次，我们需要利用人工智能大模型，如GPT-3等，来对用户的内部信息和外部信息进行编码，即将自然语言的信息转化为数值向量，从而能够捕捉到信息的语义和逻辑。例如，我们可以用GPT-3的编码器，将“用户A在微博上关注了明星B，并点赞了其最新的动态”这句话，转化为一个长度为768的向量，如[0.1, -0.2, 0.3, …, -0.4]等。
-
第三，我们需要利用人工智能大模型，如GPT-3等，来对物品的信息进行编码，即将物品的名称、描述、标签、评价等信息，也用自然语言的形式表示，然后转化为数值向量，从而能够捕捉到物品的特征和属性。例如，我们可以用GPT-3的编码器，将“这是一件红色的羽绒服，适合冬季穿着，款式时尚，品质优良，评分为4.8分，价格为399元”这句话，转化为一个长度为768的向量，如[0.2, -0.1, 0.4, …, -0.3]等。
-
第四，我们需要利用人工智能大模型，如GPT-3等，来对用户和物品的向量进行匹配，即计算用户和物品之间的相似度或相关度，从而能够评估用户对物品的兴趣程度。例如，我们可以用GPT-3的解码器，将用户A和物品X的向量作为输入，输出一个0到1之间的数值，如0.8，表示用户A对物品X的兴趣程度为0.8，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
第五，我们需要根据用户所处的营销漏斗的不同阶段，为用户召回不同类型的物品，即根据用户和物品的匹配度，以及物品的特征和属性，从海量的候选物品中，筛选出最适合用户的物品，从而实现更有效的个性化推荐。例如，对于处于认知阶段的用户，我们可以召回一些匹配度较高，且具有广泛吸引力的物品，如热门商品、新品上架、限时折扣等；对于处于兴趣阶段的用户，我们可以召回一些匹配度较高，且具有针对性的物品，如相关商品、相似商品、配套商品等；对于处于欲望阶段的用户，我们可以召回一些匹配度较高，且具有优势的物品，如高评分商品、优惠券商品、赠品商品等；对于处于行动阶段的用户，我们可以召回一些匹配度较高，且具有延续性的物品，如再次购买商品、推荐商品、增值服务等。
通过这样的方法，我们就可以利用人工智能大模型，来实现基于营销漏斗的召回模型，从而实现更精准的个性化推荐。下面，我们将给出一个示例，来说明这种模型的应用效果。
假设我们是一个电商平台的产品经理，我们想要为用户推荐一些商品，以提高用户的转化率和满意度。我们首先收集了用户的内部信息和外部信息，如下：
-
用户A：在平台上浏览了一些男装商品，但没有购买；在微博上关注了明星B，并点赞了其最新的动态，其中明星B穿着一件红色的羽绒服；在今天是元旦节，并且所在的城市是北京，天气寒冷。
-
用户B：在平台上购买了一件蓝色的牛仔裤，并给出了五星的评价；在微信上分享了一篇关于旅游的文章，并表示想要去云南旅游；在今天是元旦节，并且所在的城市是上海，天气温暖。
-
用户C：在平台上搜索了“手机”，并浏览了几个品牌的手机，但没有下单；在百度上搜索了“华为手机怎么样”，并浏览了几篇评测文章；在今天是元旦节，并且所在的城市是深圳，天气晴朗。
然后，我们利用人工智能大模型，如GPT-3等，来对用户的内部信息和外部信息进行编码，将自然语言的信息转化为数值向量，如下：
-
用户A：[0.1, -0.2, 0.3, …, -0.4]
-
用户B：[0.2, -0.1, 0.4, …, -0.3]
-
用户C：[0.3, -0.3, 0.2, …, -0.2]
接着，我们利用人工智能大模型，如GPT-3等，来对物品的信息进行编码，将物品的名称、描述、标签、评价等信息，也用自然语言的形式表示，然后转化为数值向量，如下：
-
物品X：这是一件红色的羽绒服，适合冬季穿着，款式时尚，品质优良，评分为4.8分，价格为399元。[0.2, -0.1, 0.4, …, -0.3]
-
物品Y：这是一件白色的T恤，适合夏季穿着，款式简约，质地舒适，评分为4.5分，价格为99元。[0.1, -0.2, 0.3, …, -0.4]
-
物品Z：这是一部华为手机，型号为P50，性能强劲，拍照清晰，评分为4.9分，价格为4999元。[0.3, -0.3, 0.2, …, -0.2]
最后，我们利用人工智能大模型，如GPT-3等，来对用户和物品的向量进行匹配，计算用户和物品之间的相似度或相关度，从而评估用户对物品的兴趣程度，如下：
-
用户A和物品X的匹配度为0.8，表示用户A对物品X的兴趣程度为0.8，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户A和物品Y的匹配度为0.2，表示用户A对物品Y的兴趣程度为0.2，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户A和物品Z的匹配度为0.4，表示用户A对物品Z的兴趣程度为0.4，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户B和物品X的匹配度为0.3，表示用户B对物品X的兴趣程度为0.3，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户B和物品Y的匹配度为0.7，表示用户B对物品Y的兴趣程度为0.7，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户B和物品Z的匹配度为0.5，表示用户B对物品Z的兴趣程度为0.5，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户C和物品X的匹配度为0.2，表示用户C对物品X的兴趣程度为0.2，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户C和物品Y的匹配度为0.3，表示用户C对物品Y的兴趣程度为0.3，越接近1表示越感兴趣，越接近0表示越不感兴趣。
-
用户C和物品Z的匹配度为0.9，表示用户C对物品Z的兴趣程度为0.9，越接近1表示越感兴趣，越接近0表示越不感兴趣。
根据用户和物品的匹配度，以及物品的特征和属性，我们可以根据用户所处的营销漏斗的不同阶段，为用户召回不同类型的物品，如下：
-
对于用户A，我们判断其处于认知阶段，因为其在平台上只浏览了一些商品，但没有购买。因此，我们为其召回一些匹配度较高，且具有广泛吸引力的物品，如物品X，即红色的羽绒服，因为这件商品与用户A在微博上关注的明星B穿着的羽绒服相似，且适合用户A所在的寒冷的城市，而且这件商品的评分和价格也较高，可以激发用户A的关注度和兴趣度。
-
对于用户B，我们判断其处于兴趣阶段，因为其在平台上已经购买了一件商品，并给出了高评价。因此，我们为其召回一些匹配度较高，且具有针对性的物品，如物品Y，即白色的T恤，因为这件商品与用户B已经购买的蓝色的牛仔裤相配，且适合用户B所在的温暖的城市，而且这件商品的评分和价格也较合理，可以增加用户B的欲望和信心。
-
对于用户C，我们判断其处于欲望阶段，因为其在平台上搜索了“手机”，并浏览了几个品牌的手机，但没有下单。因此，我们为其召回一些匹配度较高，且具有优势的物品，如物品Z，即华为手机，因为这部手机与用户C在百度上搜索的“华为手机怎么样”相关，且这部手机的性能和拍照都很强，而且这部手机的评分和价格也较高，可以激发用户C的行动和决策。
通过这样的召回策略，我们就可以为不同阶段的用户推荐最适合他们的商品，从而提高用户的转化率和满意度。当然，这只是一个简单的示例，实际的应用中，我们还需要考虑更多的因素，如用户的历史行为、物品的库存、物品的曝光度、物品的多样性等，以实现更优化的召回效果。如果你想了解更多关于基于营销漏斗的召回模型的原理和应用，你可以关注我们的个人号“产品经理独孤虾”（全网同号），在我们的专栏《用AI驱动数字化营销业绩增长》中，你可以找到更多的相关内容和案例，以及如何作为产品经理和运营人员，有效地利用这些模型来优化业务和提升用户体验。
除了基于营销漏斗的召回模型，我们还可以利用人工智能大模型，来实现基于情景的召回模型，即根据用户所处的不同的情景，为用户召回不同类型的物品，从而实现更有效的个性化推荐。情景是指用户在特定的时间、地点、环境、心境等条件下，所表现出的不同的行为和需求。例如，在早上，用户可能需要一些提神的物品，如咖啡、早餐、新闻等；在晚上，用户可能需要一些放松的物品，如音乐、电影、游戏等；在工作日，用户可能需要一些办公的物品，如笔记本、打印机、文具等；在周末，用户可能需要一些娱乐的物品，如书籍、玩具、运动器材等。通过识别用户的情景，我们可以为用户推荐更符合其当前状态的物品，从而提高用户的满意度和忠诚度。
基于情景的召回模型，就是根据用户的内部信息和外部信息，来判断用户所处的情景，然后根据情景的特征，为用户召回不同类型的物品，从而实现更有效的个性化推荐。例如，在电商平台中，对于处于早上的用户，我们可以召回一些具有提神作用的物品，如咖啡、早餐、新闻等，以帮助用户开始新的一天；对于处于晚上的用户，我们可以召回一些具有放松作用的物品，如音乐、电影、游戏等，以帮助用户缓解压力和疲劳；对于处于工作日的用户，我们可以召回一些具有办公作用的物品，如笔记本、打印机、文具等，以帮助用户提高工作效率和质量；对于处于周末的用户，我们可以召回一些具有娱乐作用的物品，如书籍、玩具、运动器材等，以帮助用户享受生活和健康。
那么，如何利用人工智能大模型来实现基于情景的召回模型呢？我们可以采用以下的方法：
-
首先，我们需要收集和整合用户的内部信息和外部信息，包括用户在平台上的行为和属性，以及用户在其他平台或渠道上的行为和属性，以及其他来源的信息，如社交媒体、新闻、天气、节日等。这些信息可以用自然语言的形式表示，例如，“用户A在早上7点登录了平台，并浏览了一些咖啡商品”，“用户B在晚上9点登录了平台，并浏览了一些电影商品”，“用户C在工作日登录了平台，并浏览了一些笔记本商品”，“用户D在周末登录了平台，并浏览了一些书籍商品”等。
-
其次，我们需要利用人工智能大模型，如GPT-3等，来对用户的内部信息和外部信息进行编码，即将自然语言的信息转化为数值向量，从而能够捕捉到信息的语义和逻辑。例如，我们可以用GPT-3的编码器，将“用户A在早上7点登录了平台，并浏览了一些咖啡商品”这句话，转化为一个长度为768的向量，如[0.1, -0.2, 0.3, …, -0.4]等。
-
第三，我们需要利用人工智能大模型，如GPT-3等，来对用户的向量进行分类，即将用户的向量映射到不同的情景类别，从而能够识别用户所处的情景。例如，我们可以用GPT-3的解码器，将用户A的向量作为输入，输出一个情景类别，如“早上”，表示用户A处于早上的情景。
-
第四，我们需要利用人工智能大模型，如GPT-3等，来对物品的信息进行编码，即将物品的名称、描述、标签、评价等信息，也用自然语言的形式表示，然后转化为数值向量，从而能够捕捉到物品的特征和属性。例如，我们可以用GPT-3的编码器，将“这是一杯拿铁咖啡，香浓醇厚，适合早上饮用，可以提神醒脑，价格为19元”这句话，转化为一个长度为768的向量，如[0.2, -0.1, 0.4, …, -0.3]等。
-
第五，我们需要利用人工智能大模型，如GPT-3等，来对物品的向量进行分类，即将物品的向量映射到不同的情景类别，从而能够判断物品所属的情景。例如，我们可以用GPT-3的解码器，将物品X的向量作为输入，输出一个情景类别，如“早上”，表示物品X属于早上的情景。
-
第六，我们需要根据用户所处的情景，为用户召回不同类型的物品，即根据用户的情景类别，以及物品的情景类别，从海量的候选物品中，筛选出最适合用户的物品，从而实现更有效的个性化推荐。例如，对于处于早上的用户，我们可以召回一些属于早上的物品，如咖啡、早餐、新闻等，以帮助用户开始新的一天；对于处于晚上的用户，我们可以召回一些属于晚上的物品，如音乐、电影、游戏等，以帮助用户缓解压力和疲劳；对于处于工作日的用户，我们可以召回一些属于工作日的物品，如笔记本、打印机、文具等，以帮助用户提高工作效率和质量；对于处于周末的用户，我们可以召回一些属于周末的物品，如书籍、玩具、运动器材等，以帮助用户享受生活和健康。
通过这样的方法，我们就可以利用人工智能大模型，来实现基于情景的召回模型，从而实现更精准的个性化推荐。下面，我们将给出一个示例，来说明这种模型的应用效果。
假设我们是一个音乐平台的产品经理，我们想要为用户推荐一些歌曲，以提高用户的听歌时长和满意度。我们首先收集了用户的内部信息和外部信息，如下：
用户A：在平台上收听了一些轻松的歌曲，如《夜空中最亮的星》、《漂洋过海来看你》等；在微博上关注了歌手C，并点赞了其最新的动态，其中歌手C宣布了其新专辑的发行日期；在今天是周六，并且所在的城市是杭州，天气晴朗。
-
用户B：在平台上收听了一些激情的歌曲，如《我是歌手》、《燃烧我的卡路里》等；在抖音上关注了舞者D，并点赞了其最新的视频，其中舞者D跳了一支火辣的舞蹈；在今天是周六，并且所在的城市是广州，天气闷热。
-
用户C：在平台上收听了一些伤感的歌曲，如《你的酒馆对我打了烊》、《后来的我们》等；在微信上分享了一篇关于分手的文章，并表示很难过；在今天是周六，并且所在的城市是北京，天气阴雨。
然后，我们利用人工智能大模型，如GPT-3等，来对用户的内部信息和外部信息进行编码，将自然语言的信息转化为数值向量，如下：
-
用户A：[0.1, -0.2, 0.3, …, -0.4]
-
用户B：[0.2, -0.1, 0.4, …, -0.3]
-
用户C：[0.3, -0.3, 0.2, …, -0.2]
接着，我们利用人工智能大模型，如GPT-3等，来对用户的向量进行分类，即将用户的向量映射到不同的情景类别，从而能够识别用户所处的情景。例如，我们可以用GPT-3的解码器，将用户A的向量作为输入，输出一个情景类别，如“轻松”，表示用户A处于轻松的情景。
最后，我们利用人工智能大模型，如GPT-3等，来对歌曲的信息进行编码，即将歌曲的名称、歌手、歌词、风格等信息，也用自然语言的形式表示，然后转化为数值向量，从而能够捕捉到歌曲的特征和属性。例如，我们可以用GPT-3的编码器，将“这是一首歌曲，名为《阳光总在风雨后》，歌手为E，歌词为‘阳光总在风雨后，只要你能撑得住，就会看到彩虹，就会看到希望’，风格为励志”这句话，转化为一个长度为768的向量，如[0.4, -0.4, 0.1, …, -0.1]等。
根据用户所处的情景，我们为用户召回不同类型的歌曲，即根据用户的情景类别，以及歌曲的情景类别，从海量的候选歌曲中，筛选出最适合用户的歌曲，从而实现更有效的个性化推荐。例如，对于处于轻松的情景的用户，我们可以召回一些属于轻松的歌曲，如《阳光总在风雨后》、《小幸运》、《爱情转移》等，以帮助用户享受生活和快乐；对于处于激情的情景的用户，我们可以召回一些属于激情的歌曲，如《我是歌手》、《燃烧我的卡路里》、《狂浪》等，以帮助用户释放压力和热情；对于处于伤感的情景的用户，我们可以召回一些属于伤感的歌曲，如《你的酒馆对我打了烊》、《后来的我们》、《再见只是陌生人》等，以帮助用户抒发情感和寻求安慰。
通过这样的召回策略，我们就可以为不同情景的用户推荐最适合他们的歌曲，从而提高用户的听歌时长和满意度。当然，这只是一个简单的示例，实际的应用中，我们还需要考虑更多的因素，如用户的历史行为、歌曲的流行度、歌曲的多样性等，以实现更优化的召回效果。如果你想了解更多关于基于情景的召回模型的原理和应用，你也可以关注我们的个人号“产品经理独孤虾”（全网同号），在我们的专栏《用AI驱动数字化营销业绩增长》中，你可以找到更多的相关内容和案例，以及如何作为产品经理和运营人员，有效地利用这些模型来优化业务和提升用户体验。
原文链接：https://www.bilibili.com/read/cv28813052/
