现有的支付宝端的通用信息架构已难满足所有细分用户的多样化诉求和使用习惯, 为此, 支付宝面向不同人群推出了专属的版本, 包括国际版, 学生模式和青少年模式。通过定制化的信息架构和服务/内容供给, 不仅显著提升用户体验, 也增强了运营的效率和效果。

在这一过程中, 我们引入了AI技术, 突破了多项核心挑战:

1. 人群预测: 精准识别潜在细分人群。
2. 人群理解: 基于大模型, 对于特定人群行为进行深度洞察, 覆盖人群服务、内容、商品、权益等偏好。
3. 动线优化: 使用大模型分析用户动线, 优化版本信息架构, 提升用户体验和动线效率。

本次演讲将分享支付宝在细分人群版本建设中的AI应用实践, 展示如何通过智能化手段实现人群分类预测、深度理解和动线优化, 助力用户规模和体验的双重增长。

演讲提纲：

1. 从通用标准版到多人群版本
   • 细分人群版本与通用标准版的差异和定位
   • 细分人群版本带来的用户体验和运营价值
2. 实现人群分类的技术路径
   • 基于深度学习网络的潜在人群识别
   • 结合认证体系的精准人群识别
3. 人群的深度理解
   • 利用大模型构建人群理解体系: 洞察人群偏好(服务、内容、商品、权益)
   • 人群理解任务的性能优化和工程实践
4. 动线驱动的推荐优化
   • 动线数据的定义和理解
   • 基于用户动线的推荐策略生成和应用
5. 未来展望
   • 价值人群的进一步挖掘
   • 轻量化的人群版本的演进

听众收益：

• 学习深度学习在潜在人群预测、大模型在人群画像构建中的具体应用场景与实践经验
• 掌握人群理解任务的性能优化方法，以及基于用户动线的推荐策略生成机制
• 获取如何将 AI 能力与现有推荐体系、架构体系融合的实战经验