Pinkoi

设计类垂直电商Pinkoi发表自建AI模型「生活风格智慧模型」。这个模型由625万会员的72亿笔行为数据、5.2万设计品牌数据，以及110万商品数据等资料训练而成，可以进行个人化推荐、自动化RMN行销方案规画，以及呈现个人化商家商城页面等功能。

Pinkoi表示，生活风格智慧模型是一个多功能模型，应用了自然语言处理 （NLP）、电脑视觉 （CV）、图学模型（Graphical model）、深度学习 （Deep learning） 等技术，能从不同模态的数据中提取多维度洞察、为商品及消费者贴标、分类标签，并用这些标签来执行多种推荐功能，甚至排列组合商城页面的设计元素。

Pinkoi技术长李让说明了生活风格智慧模型的由来。早在2015年，他们就想利用AI来进行商城个人化推荐。「我们试过规则式推荐法，以及外部开源推荐模型，成效都不好。」他推测，Pinkoi作为设计类垂直电商，与一般电商有几个关键差别，导致较通用的既有解决方案不适用。例如，站上商品多为非规格品，商品元数据格式和内容比较特别，不只如此，消费者购买设计类商品的动机和行为模式也有别於一般消费性商品。

没有现成解方，Pinkoi只好自己从头做。他们从建立训练资料集开始，慢慢为数十万件非规格商品建立元数据及属性贴标，再用这些数据来训练AI推荐模型，并逐步改善模型推荐成效，也新增了更多功能模组。

随着模型版本迭代，这个模型不再只有推荐功能，还可以为商品、消费者行为、消费者人际关系，以及商家过往表现来贴标、分类，再用这些标签来强化自身推荐功能。李让表示，现在至少有8成商品标签都是由AI自动贴上。即使商品本身一个标签都没有，此模型也能利用CV及NLP等技术，根据商品外观来贴上不同维度、不同语言的标签。

此模型替消费者贴标时，则会综合商品标签、消费者站上行为及消费轮廓类似的KOC（Key Opinion Consumer，关键意见消费者）购物行为来贴标。负责RMN的Pinkoi SaaS产品负责人李少昱补充，传统Lookalike（类似受众）分众方法，大多只会用年龄层、性别、偏好商品类别等较表面的标签来分析消费者。Pinkoi则会分析更细致的站上行为，例如常常於不同页面来回切换等购物习惯。

生活风格智慧模型今年最大里程碑是，模型分类能力更强，让Pinkoi工程师更容易提取不同标签分类，来开发出不同类型的推荐功能。

用消费者长期购物人格标签强化商品推荐

最主要也最基本的推荐功能是个人化商品推荐，主要根据商品贴标及消费者贴标，来决定消费者浏览商城时看到的商品及RMN广告。

今年，生活风格智慧模型有能力将消费者标签进一步区分为长期「购物人格」和短期「即时动机」2大类标签，进一步强化了推荐能力。购物人格是由价值主张、兴趣、地域性文化、风格等4大分类标签组成，即时动机则包含圣诞节送礼、婚礼布置等透露短期消费目的标签。

李让说明，有了长期购物人格标签，可以使推荐结果更个人化，做到两个人进行一模一样的操作（展现即时动机），仍会分别收到不同商品推荐。甚至，Pinkoi不必被动等待消费者表明本次造访网站的动机，就可以主动推荐合适商品和品牌给消费者──他们今年利用这个能力，推出了主动推播型RMN广告格式。

Pinkoi表示，将长期购物人格标签投入个人化推荐方法至今，消费者商品点击率、浏览页面数，以及网站浏览时间，分别提升了50%、22%、25%。

用品牌表现标签强化RMN广告投放参数推荐功能

利用生活风格智慧模型更细致的品牌贴标能力，今年Pinkoi上线了RMN自动化投广参数设定功能。此模型会根据品牌过往数据及相似品牌数据标签，来推论品牌行销需求，并自动设定广告出价、行销受众、广告成效指标等广告投放参数。广告主只要花费30秒输入行销预算跟促销商品，再确认AI推荐参数，即能完成广告设定。广告投放期间，系统还会根据表现每天微调行销策略。

用品牌及消费者标签做到品牌商城页面元素排列

今年11月，他们上线了品牌个人化版面服务。根据品牌及造访消费者标签，生活风格智慧模型会重新排列品牌商城页面的元素，为不同消费者呈现出不同商城样貌。Pinkoi表示，此功能最多可以排列组合出上万种商城版面。

除了使用生活风格智慧模型来进行贴标和推荐，Pinkoi也於网站中导入其他AI应用，包括串接LLM来协助商家翻译商品规格描述，以及即时翻译客服对话等。