顾客旅途会与eBay商品知识图谱结合，形成顾客兴趣图谱。接著，eBay会根据兴趣图谱，来推论出顾客可能有兴趣的商品，而非只是推荐分类上相近于主商品的品项。（图片来源／eBay）
想像一个Lebron James球迷，在eBay购买了一双该球员联名的球鞋，这时，如果eBay推荐系统是一个老练的推销员，应该要推荐什么商品给他？
答案很可能不会是再一双球鞋，而是介绍其他Lebron James搜藏品，像是球员卡、珍藏版画，或是其他连顾客自己都不知道存在，但可能会有兴趣的周边商品。这是因为，比起短时间内购买一堆球鞋，看到每个有趣的小东西都买一份，更符合一般人消费习惯。
「70% Gen Z认为商品探索是网购最棒的环节。」eBay AI长Nitzan Mekel-Bobrov笑道：「我跟年轻人至少在这点上有共识。」不过，eBay并没有Lebron James这个商品分类，商品相似性推荐系统无从得知这些商品之间的关联性，因此这位球迷不会有机会发掘偶像各式周边商品，而是看到一整排自己已经买过的球鞋。
为了使推荐系统能像老练推销员一般观察，并勾起顾客兴趣，eBay必须要转移到以顾客新推荐典范。要做到这点，Nitzan Mekel-Bobrov认为，必须理解顾客兴趣，同时熟知自家商品。这也意味著，eBay推荐系统典范转移不须摒弃过往相似性推荐时代的技术建设，而是以过往累积的商品理解为基础，加入顾客观察，来综合判断应推荐商品。
新旧典范的关键差别是判断商品关联性的角度。以往做法是假设商品相似性等于关联性，将顾客行为化简为静态的商品或商品分类数据，再匹配邻近分类商品。
新做法则是从顾客行为出发，推论他们如何认知商品关联性。这个关联性是多元的，不只注重相似性，也可能是任何其他能连结起商品的概念。
为了做到这点，eBay勾勒出顾客旅途，从看似无关的行为中，猜测背后购买兴趣，再动态推荐相关商品。这也意味著，随著系统对顾客了解更深，同一个顾客在旅途不同阶段浏览同一件主商品，可能会看到不同的推荐商品，且这些推荐商品不会受到eBay预设分类方法限制。
为了打造这种超级个人化的商品探索体验，近一、两年，他们开始大力研究，如何进一步从顾客数据挖掘出更多有用资讯，来强化商品推荐机制。
从顾客行为数据回推推荐效果，而非相似性
新典范下，eBay开始更深入的分析顾客行为数据，并用来强化推荐效果。一个例子是，增加顾客行为数据维度，来改善相似商品广告栏位的推荐效果。
这是一个依据成交金额来抽成广告费用的促销广告版面，当顾客浏览A产品，透过这个广告推荐，实际购买了B产品时，才将A产品与B产品视为有关联，作为后续相似性推荐的重要参考。当其他人看了A产品，也会推荐B产品给他。若没有完成购买行为，则一律视为无关联性。
这种高度聚焦于购买行为的设计，虽然能有效带来购买转换，不过也衍生出3个问题。
第一是伪阴性问题。通常，顾客顶多只会从推荐栏位中购买一件商品，其他商品就算具有高关联性，也会被标注为无关联性。再来，购买行为相较于其他顾客行为，数量稀少不少，因此可以用来强化推荐系统的数据相对少。第三，此机制没有考虑到其他类型行为，也可能代表不同程度的购买兴趣。
eBay尝试加入更多过往顾客行为到推荐模型中，来因应上面3个问题，不过还要得客服两个挑战，首先，要判断哪些行为标签具有足够影响力，应该纳入考量。接著，要赋予这些行为适当权重，否则推荐效果反而会低于原本设计。
为了解决这2个挑战，eBay根据不同行为标签与标签超参数组合，训练出2,000个以上的模型来投入实验，并且分开测试网页版商城及行动App商城，才决定点击、加入购物车、开价、点击马上购买按钮、加入观察清单、购买等行为标签以及其权重，并将新模型投入全球商城中。
不问推荐商品与浏览中的主商品多相似，只问顾客有没有兴趣，来决定推荐排序，这便是新典范中，以顾客角度观看商品的精神。
以顾客旅途为出发点，打造更即时、更不受既有认知限制的超级个人化体验
不只要从一系列相似商品中，根据顾客历史行为进一步推测顾客兴趣程度。eBay还要分析顾客在整个eBay商城中的旅途，即时找出其兴趣，推测此顾客眼中如何看待商品关联性，并用来这个角度来分类商品，进行推荐。
eBay旧有推荐法搜集的顾客行为不多，主要是顾客点击、购买及搜寻数据。为了更深入分析顾客兴趣，他们将顾客商城内的行为整理成63种事件，分别属于探索、商品清单、浏览、搜寻、决策、支付、送货、再访8个阶段，以此来勾勒出顾客旅途。
eBay不只会纪录这63种事件的发生时间，再转化为事件顺序嵌入向量（Sequence Embedding），还会进一步纪录每个事件的持续时间，转化为时间嵌入向量（Time Embedding）来代表此事件的重要性。
接著，他们将两著结合成点击流嵌入向量（Click Stream Embedding），再与自家商品的知识图谱（Knowledge Graph）比照，动态形成兴趣图谱（Interest Graph），来推论商品对于顾客来说，可能有哪些关联性。
Nitzan Mekel-Bobrov说，事件顺序及时间嵌入向量都是利用双向长短记忆网路（Bi-directional Long Short-Term Memory，BiLSTM）计算出来的，需要耗费巨大运算资源，因此业界通常不会做到如此精细，但eBay认为，这对于深度且即时了解顾客兴趣至关重要。
系统会根据这些动态推论的顾客兴趣及关联性，产生商品分类，作为推荐依据。这样一来，便能跳脱原本eBay用相似性建立的商品分类，每一个顾客都会有专属自己的分类方法。
新做法不只使eBay能摆脱自己分类观点的限制。Nitzan Mekel-Bobrov补充，顾客数据分析到如此精细，可以做到所谓「多方向性」的顾客兴趣理解。
「一般的个人化是单方向的作法，数据累积越多，越有可能累积到错误或过时资讯，而且系统不容易及时遗忘这些不适用的资讯。」他补充，像图文向量的「顾客向量」就一种静态资料，取得后要更新很难，若可以更即时了解顾客兴趣，便更容易根据顾客旅途来快速反应，增加、移除或修正系统对于顾客兴趣的了解。
例如，系统虽然一开始判断顾客喜欢玩具相机，当顾客点击更多复古木制玩具类相机，系统便会更新对兴趣的理解，改认定对方喜欢复古木制玩具相机，在这个过程来累积顾客兴趣理解，增加或修正兴趣标签，这是一种个人化的优化方向。
不过，当顾客开始点击更多非相机类的复古木制玩具时，系统便会移除相机这个标签，改为判断顾客兴趣是复古木制玩具，移除顾客兴趣标签，这是与前一个优化方向相反的作法，透过排除噪音来提高个人化。顾客若点击其他材质的玩具，或是对特定类型复古木制玩具展现兴趣，系统对顾客兴趣理解也可以「横向」移动到其他类兴趣的标签。「这些移动都是根据动态产生的顾客兴趣图谱，而不是预定义的商品分类。」Nitzan Mekel-Bobrov强调。
追踪顾客探索旅程的每一个行为，透过多种优化做法来更新对顾客兴趣的，正是eBay发展超级个人化的关键一步。