淘寶產品標簽體系是什麼樣的

⑴ 什麼是淘寶私域流量和公域流量流量有何區別

私域流量就是我們最近一年都在強調的譬如「微淘內容頁」、「直播間里」、「群聊(右上角消息框)」、搜索主頁(穹頂，這塊需要開通)。

區別主要有以下三點：

1、定義不同。

公域流量就是在公共范圍內每一個商家都能夠獲取的流量，現在基本上所有有來源入口的流量都是公域流量。

私域流量是指：傳統的微淘，包括目前全新的直播間、群聊、穹頂搜索、店鋪搜索頁等都被劃為私域流量。

2、所指內容不容。

公域流量是指：傳統的搜索；付費流量渠道，比如直通車、鑽展等；像愛逛街、有好貨、行業內幕等一些垂直頻道。

私域流量指：五年前開始出現的微淘，一直做的不慍不火，但淘寶始終沒有放棄，目前是淘寶下面的第二大標簽，是龐大的流量源入口；直播間，從PC到移動；群聊，旺旺的把老客戶拉到一起，效果一般。

3、對賣家的重要程度不同。

私域流量對賣家更為重要。對賣家來說，一定要提升自己私域流量的運營能力，集市店鋪一定要做特色店鋪，加入各行業特色市場，商品進入特色市場池裡面才有更多流量；最關鍵是搜索直達，阿里內部稱「穹頂」，需要趕緊去搶占搜索關鍵詞，一搜就是自家店鋪。

可以簡單的理解為：公共區域流量和私有領域流量，再直白點就是「你不能直接影響的流量入口」和「你可以自己努力爭取的流量」。

⑵ 首次揭秘 | 淘寶新發布的躺平如何做3D場景化導購

趙斌強（樂田）——阿里巴巴資深演算法專家，現任淘系技術部演算法負責人，在內容推薦、商品導購、機器學習等方向有很多深入的工作。在「中國計算機大會2019」的演講中，他主要介紹 3D 和機器學習的結合，打造新的場景化導購的商業場景應用。

場景化導購，2012 年開始出現，主要以單品形式做個性化推薦。隨後在內容導購方面嘗試新的突破，主要以圖文、短視頻、直播作為導購的載體。隨著 3D 技術日漸成熟，3D 自動理解、自動創作和渲染技術可以進一步把物理世界和虛擬世界結合起來，形成新的用戶場景。我們開發了一個新的導購產品——躺平，大家可以在淘寶的搜索框搜索「躺平」，來體驗 3D 場景化導購的初步效果。

3D 場景化導購值得關注，因為它能更接近數字世界通常的做法，文字是一維的，圖片是二維的，視頻增加了時間維。而 3D 是三維的，和我們生活的物理世界更加一致。通過 3D 技術把產品形態升級一個維度，極有可能發展新的商業機會。例如，用戶對一個桌子感興趣，當看到桌上擺放的茶壺等物品，就把用戶帶入了一個場景中。或許用戶也對這些東西感興趣，對需求不再是單點的激發方式，而是通過網狀、多角度的激發方式，激發出用戶更多的需求，這就是導購的價值。

在導購中，3D 能解決什麼問題？首先能想到的是尺寸大小和視覺問題。用戶總會關心商品的尺寸問題和視覺問題。從尺寸和視覺來看，用戶對 3D 肯定是有需求的。用戶購買服裝需要尺寸和視覺體驗，即使是標准化的東西冰箱、洗衣機也都需要 3D 來感知商品。

買什麼商品對尺寸有要求？比如我們去買傢具可能需要到線下，會去家裝商城看顏色、風格、尺寸是否匹配，有味沒味道。現在這些在 3D 里通過虛擬化技術都可以實現，所見即所得。也可以和 AR 結合，形成更流暢的用戶體驗。

從可實現性來說，模擬一個人穿上衣服的感覺是有很大的難度的，電影大製作那種做視頻動畫，用設計師去畫，成本非常高，不可能用這樣的成本去支持 3D 導購項目。我們選擇的場景一定是在內容製作方面技術更為成熟的，在落地上是比較可控的，家裝行業是一個不錯的選擇。

導購最重要的是兩個部分，一個性化，二是內容的生產。以抖音為例，它核心的創新之一就是可以讓用戶以簡單的操作去生成高品質的內容。對我們來說，通過機器自動生成海量導購內容，然後用個性化推薦技術形成精準的需求匹配。

為了生成場景，首先要有一套搭配演算法。我們通過演算法搭配，結合設計師的知識圖譜，把兩個東西結合起來，形成高品質的搭配結果。設計師的專業輸入怎樣在演算法中流暢豐富地表達？是其中一個很值得研究的問題。通過搭配專家的支持，結合機器學到的模型，我們就可以在一個大的3D商品模型池中生成內容。用搭配的結果在3D場景背景中布局，布局之後渲染，再把商品的錨點打到上面，用戶就可以通過點擊這些錨點去購物。生成的3D場景化內容，可以在推薦流或搜索場景中為用戶透出。

在以上數據的基礎上，綜合使用可解釋性的邏輯和和深度學習技術構建演算法。可解釋性中很關鍵的是提取語義標簽，包括品類、風格，顏色等。此外在視覺方面提取隱式特徵向量，最後用深度學習建模，將形成整個演算法方案。風格非常重要，大家平時看到的很多現代、簡約風，但在整個家居市場中有很多風格，風格彼此之間是不能亂搭配的。為了精準地提取風格，需要有一套方法，從零到一，沒人告訴我們家居是什麼風格的，要把這個體系建起來。用數據結合演算法、人工輸入，逐漸豐富標簽體系。甚至必要的情況下還會擴充一些細化的標簽，這里會有人和機器結合的循環過程。

有了這個風格之後，最後生成搭配。這是一個類似於推薦技術的過程，先粗選再細選。搭配是一個迭代的過程，逐步評估候選模型中的商品，並將合適的候選商品選入已選商品集合中。涉及到視覺方面，深度學習是標配。通過一個輕量級的網路提取出相應的視覺特徵，針對當前商品提取 attention 特徵，形成精準的搭配質量評分模型。

整體上看，搭配是比較困難的，不僅要相似，還要有一定的區別。什麼和什麼搭，這裡面既要有相似，又要有互補的關系，而互補關系需要引入新的信息視角。有了搭配結果後，進入到下一個步驟——布局。在布局之前要有一個空間把這個東西布上，這個空間需要體現場景的美感和品味。根據這些搭配的結果，我們去算出這些配件的空間關系，這個關系要有彈性，不能硬碰硬。通過一個概率圖組合搭配的邏輯，生成一個關系的概率。演算法提供了給卧室、用餐區、廚房等場景的布局能力。

布局的關鍵是舒適度，看到布局結構會不會讓人感覺到舒服，要做舒適度分析。舒適度分析需要機器學習技術，我們甚至還引入了 GPU 去優化它的舒適度分析的結果。在 3D 轉換到 2D 圖片方面，我們在構圖的時候要選擇取景的視角。有正對的視角、側對的視角，總有更適合場景的視角。再加上一些規則防止選的空間過於深、空曠或擁擠，在視覺上看上去比較舒適，都和我們後面的效果評估有很大關系。

建立在海量內容基礎上的導購，最終決定一個內容質量的還是用戶的行為反饋。生成一個內容，內容經過投放以後，會產生點擊率，通過點擊率判斷用戶感不感興趣。在投放一段時間後，知道不同內容的點擊率是什麼，通過模型可以知道這個內容好不好。比如一個新的內容出來後，如果點擊率比較低用戶不接受就需要淘汰這個內容，點擊率比較高則會選入到庫里。

我們生成內容的豐富度還是很高的，辦公桌、飯廳、卧室、會議室、吧台，這些東西都可以生成。3D 和機器學習結合，涉及到 3D 場景生成、 3D 搭配推薦、機器學習、深度學習等模塊，關鍵在於 3D 建模和搭配推薦。目前3D 搜索、AR、VR、MR 還有想像空間，為工業界提供了解決問題的廣闊場景。