〇 分享简介 〇

过去30年来，随着数据库、CRM、ERP等企业软件的不断发展，市场营销、电话销售等场景在不断地被信息化，线上化。逐渐地，业务人员的处理能力跟不上潜在客户信息的增长速度，企业亟需智能化工具辅助销售进行客户的选取与跟进。在该情况下，国内外诞生出了以saleforce、insidesales、探迹、销客等为代表的智能CRM平台，能基于销售及客户的历史行为数据挖掘出客户的购买意愿，以及分配最合适的业务。

在58同城，存在与上文所述电话销售类企业同样的场景。58同城销售人员每日从CRM系统中获取商机（潜在客户），通过拨打电话联系客户，劝说其购买产品。但与主流智能CRM平台做法不同的是，我们的推荐系统在为销售人员找寻适合其跟进的商机时，除使用结构化信息（画像、交互行为等）外，还应用了电话语音、语音转写文本等多模态数据，从而更深入的挖掘客户的需求及评估销售的能力，推荐的准确性相比传统方法更有优势。

在本次分享中，结合业务背景、具体技术（传统文本处理、预训练模型等）详细阐释如何将多模态数据应用在传统推荐系统中。并结合模型的演进路线分享各版本算法的效果并展望未来优化方向。

〇 分享收益 〇

目标

1.结合业务知识进行模型的持续迭代

2.引入角色信息优化效果

3.相似文本生成方法，提升泛化能力

4.基于长文本的预训练模型

5.文本、语音Embedding向量生成

成功要点

掌握一种逐步从传统推荐算法切换为多模态推荐算法的演进路线，助力推荐系统效果提升。

启示

多模态数据以embedding形式存储，可赋能相似场景，引入多模态数据后，显著提升推荐模型效果。

〇 分享亮点 〇

1、推荐技术场景分享

  1）基于传统机器学习方法生成文本向量（分词、word2vec、P-SIF）

  2）基于预训练模型生成文本向量

    *结合角色信息、主题、关键词优化

    *结合相似文本生成优化

    *结合场景预训练模型优化

    *结合监督样本调优

    *结合长文本优化

2、多模态数据与结构化信息的组合

3、各版本模型效果案例展现

4、未来优化方向展望，以及未来更多可结合的数据类型

5、  QA