简介：本文详细介绍了Shopee Chatbot团队构建下拉推荐功能的过程，包括推荐候选池的搭建、多路召回与排序模块的应用，以及针对东南亚市场多语言挑战的解决方案。通过实践，Shopee Chatbot实现了更精准的用户意图理解，提升了用户体验。
随着电商平台的快速发展，消费者对客服咨询的需求日益增加。Shopee，作为东南亚地区领先的电商平台，其Chatbot团队致力于通过人工智能技术打造高效的客服系统，以满足用户的咨询需求，减轻人工客服的压力，并降低企业的人力资源成本。在这个过程中，下拉推荐功能成为了一个重要的创新点。
Shopee Chatbot是Shopee平台提供的一种基于人工智能技术的客服解决方案。用户可以通过Shopee App中的Mepage体验Chatbot产品，获得实时的客服支持。随着Shopee业务的不断扩张，消费者对客服咨询的需求也在不断攀升。为了提升用户体验，Shopee Chatbot团队不断探索和创新，其中下拉推荐功能就是一个重要的创新实践。
下拉推荐，又名输入建议、搜索建议、自动补全或问题推荐等，已经成为主流搜索引擎、购物App和Chatbot等众多产品里的一项必需且标配的功能。在Shopee Chatbot中，下拉推荐可以帮助用户更快地表达其想要检索的内容，进而帮助用户快速检索到所需要的信息，解决用户的问题，提升用户的购物体验。
构建推荐候选池是下拉推荐功能的第一步。Shopee Chatbot团队从多种来源收集数据，包括解决方案的标题、用于意图识别的标注数据以及大量的聊天日志。然后，团队对数据进行预处理，如删除太短或太长的消息，使用编辑距离或聚类删除重复的query，并进行纠错和脏字删除等操作。最后，为了确保推荐建议的质量，团队要求各市场当地的业务团队审查这些query，或将它们改写为标准化的query。
在推荐候选池搭建完成后，团队采用了多路召回再合并的方式，包括文本召回和向量召回两种方式。文本召回使用了业界标准的方案，使用Elasticsearch（ES）来进行关键词匹配召回。除了基于ES的BM25分数进行排序外，团队还用解决方案的CTR作为加权因子，以进一步提升召回的效果。
然而，文本召回的效果依赖于query与suggestion是否有匹配的关键词。为了召回与query用词不同但表达语义相同的suggestion，团队采用了向量召回的方式。向量召回利用大量的弱监督、用户行为日志来训练向量召回模型，用query向量和suggestion向量来衡量两者的语义相似性。这种隐式的同义改写召回作为文本召回的补充，可以在一定程度上缓解文本召回的问题。
东南亚市场语种繁多，这对Shopee Chatbot的下拉推荐功能提出了巨大的挑战。为了解决这个问题，团队探索了多语言和多任务的预训练语言模型，并将其应用于下拉推荐中的向量召回。团队使用了Facebook的跨语言预训练语言模型XLM，并结合对应的分词器，它可以处理100多种语言。通过继续预训练，使模型更好地适配Shopee的场景和数据。
通过实践，Shopee Chatbot的下拉推荐功能取得了显著的效果。它不仅帮助用户更快地找到所需的信息，解决了用户的问题，还提升了用户的购物体验。同时，团队也通过数据分析和用户反馈不断优化下拉推荐功能，提升推荐的准确性和相关性。
团队通过数据分析来评估下拉推荐的效果，包括用户点击率、问题解决率等指标。根据数据分析的结果，团队不断优化推荐算法和模型，提升推荐的准确性和相关性。同时，团队也关注用户的行为和反馈，及时调整推荐策略，以满足用户的需求和期望。
为了进一步提升下拉推荐的效果，团队引入了千帆大模型开发与服务平台。该平台提供了丰富的算法和模型库，可以帮助团队更快速、更高效地开发和优化下拉推荐功能。通过利用平台上的资源和工具，团队可以不断尝试新的算法和模型，找到更适合Shopee Chatbot的推荐方案。
下拉推荐功能在Shopee Chatbot中的探索和实践取得了显著的效果。它不仅提升了用户的购物体验，还帮助企业降低了人力资源成本。通过构建推荐候选池、应用多路召回与排序模块以及针对多语言挑战的解决方案，团队成功实现了下拉推荐功能的构建和优化。未来，随着技术的不断进步和用户需求的不断变化，团队将继续探索和创新，为用户提供更好的服务和体验。
同时，千帆大模型开发与服务平台等先进工具的引入也将为Shopee Chatbot的未来发展注入新的动力。通过不断尝试新的算法和模型，团队将不断提升下拉推荐的效果和准确性，为用户提供更智能、更便捷的客服体验。