eBay utilise l'apprentissage automatique pour améliorer les annonces de vente

​Traducteur | Bugatti

Reviewer | Sun Shujuan

Le marché en ligne eBay a ajouté des signaux d'achat supplémentaires à son modèle d'apprentissage automatique, tels que « Ajouter à la liste de surveillance », « Enchérir » et « Ajouter au panier », améliorer la pertinence des recommandations listes d'annonces basées sur le produit initial recherché. Chen Xue a donné une introduction très détaillée dans ce récent ​article​​.

Le Standard pour les annonces sponsorisées (PLS) d'eBay est une option payante pour les vendeurs. Grâce à l'option PLSIM, le moteur de recommandation d'eBay recommandera des produits sponsorisés similaires à celui sur lequel l'acheteur potentiel vient de cliquer. PLSIM paie sur un modèle CPA (les vendeurs ne paient eBay que lorsqu'une vente est réalisée), c'est donc une excellente incitation à créer le modèle le plus efficace pour promouvoir les meilleures annonces. Cela fonctionne souvent pour les vendeurs, les acheteurs et eBay.

Le parcours PLSIM est le suivant :

1. L'utilisateur recherche des produits.

2. L'utilisateur clique sur les résultats de la recherche -> Connectez-vous à la page Afficher les éléments (VI) pour afficher les éléments répertoriés (eBay les appelle éléments de départ).

3. Les utilisateurs font défiler la page VI et peuvent voir les produits recommandés dans PLSIM.

4. Les utilisateurs cliquent sur les articles de PLSIM pour effectuer des actions (afficher, ajouter au panier, acheter maintenant, etc.) ou afficher un autre nouvel ensemble d'articles recommandés.

Du point de vue de l'apprentissage automatique, le parcours PLSIM est le suivant :

1. Récupérez le sous-ensemble de critères de la liste de promotion des candidats qui sont les plus étroitement liés à l'élément de départ ("trouver l'ensemble complet").
2. Utilisez un trieur d'apprentissage automatique qualifié pour trier la liste de produits dans l'ensemble de recherche en fonction de la probabilité d'achat.
3. Réorganisez la liste de produits en fonction des tarifs publicitaires pour équilibrer la vitesse de vente du vendeur obtenue grâce aux promotions avec la pertinence des recommandations.

Modèle de classement

Le modèle de classement est basé sur les données historiques suivantes :

• Données sur les articles recommandés
• Articles recommandés similaires aux articles de départ
• Contexte (pays et catégorie de produit)
• Fonctionnalités de personnalisation de l'utilisateur

Utilisation d'eBay Arbre d'amélioration du gradient, pour un produit de départ spécifique, l'arbre d'amélioration du gradient trie les produits en fonction de leur probabilité d'achat relative.

Du feedback binaire au feedback à corrélation multiple

Dans le passé, la probabilité d'achat reposait sur des données d'achat binaires. Il est « pertinent » s’il est acheté avec l’élément de départ, sinon il est « non pertinent ». Il s'agit d'une approche qui a échoué, mais plusieurs aspects principaux peuvent être optimisés :

• Faux négatifs : étant donné que les utilisateurs n'achètent généralement qu'un seul article de la liste de recommandations, de bonnes recommandations ne seront pas faites lorsque l'achat n'est pas effectué. Peut être consulté comme une mauvaise recommandation, conduisant à des faux positifs.
• Peu d'achats : il devient assez difficile de former un modèle avec un nombre et une diversité d'achats suffisants pour prédire la classe à terme par rapport aux autres événements utilisateur.
• Données manquantes : des clics pour ajouter au panier, de nombreuses actions des utilisateurs révèlent une richesse d'informations sur les utilisateurs, révélant les résultats possibles.

Pour résumer, les ingénieurs d'eBay prennent en compte les actions suivantes de l'utilisateur en plus des clics initiaux et comment les ajouter au modèle de classement :

• Acheter maintenant (s'applique uniquement aux annonces d'achat immédiat, c'est-à-dire aux annonces BIN)
• AJOUTER À PANIER (LISTES DE BIN UNIQUEMENT)
• ENCHÈRE (LISTES DE MEILLEURES ENCHÈRES UNIQUEMENT)
• FAIRE UNE ENCHÈRE (LISTES D'ENCHÈRES UNIQUEMENT)
• AJOUTER À LA LISTE DE SURVEILLANCE (LISTES DE BIN, MEILLEURE ENCHÈRE OU D'ENCHÈRE UNIQUEMENT))

Exemple d'interface utilisateur

Niveaux de pertinence pour des commentaires de pertinence multiples

eBay sait désormais que les achats sont extrêmement pertinents, des actions supplémentaires doivent donc être ajoutées, mais la nouvelle question est : où se situent ces actions dans l'échelle de pertinence ?

L'image ci-dessous illustre comment eBay trie les actions possibles restantes : "Enchérir", "Acheter maintenant", "Ajouter à la liste de suivi" et "Ajouter au panier".

Dans les données d'entraînement historiques pour les éléments de départ, chaque élément potentiel est étiqueté avec un niveau de pertinence selon l'échelle suivante.

marque le résultat que lors de la formation, le trieur pénalise plus sévèrement les achats mal commandés que les achats mal commandés Acheter maintenant, et ainsi de suite vers le bas.

Échantillons de poids pour un retour de corrélation multiple

Les arbres à gradient amélioré prennent en charge plusieurs étiquettes pour capturer une plage de corrélations, mais il n'existe aucun moyen direct d'obtenir l'ampleur des corrélations.

eBay a dû exécuter les tests de manière itérative jusqu'à ce qu'ils parviennent à des chiffres permettant au modèle de fonctionner. Les chercheurs ont ajouté des poids supplémentaires (appelés « poids d’échantillonnage ») qui ont été introduits dans la fonction de perte par paire. Ils ont optimisé le réglage des hyperparamètres et l'ont exécuté pendant 25 itérations avant d'arriver aux meilleurs poids d'échantillon - "Ajouter à la liste de surveillance" (6), "Ajouter au panier" (15), "Enchère" (38), "Acheter maintenant" (8 ) et « Acheter » (15). Sans poids d’échantillonnage, le nouveau modèle fonctionnera moins bien. Avec les poids d'échantillonnage, le nouveau modèle surpasse le modèle binaire.

Ils ont essayé d'ajouter uniquement des clics comme commentaires pertinents supplémentaires et ont appliqué un poids d'échantillon d'hyperparamètre « Achat » ajusté de 150. Les résultats hors ligne sont également affichés ci-dessous, où « BOWC » signifie les actions Acheter maintenant, Faire une offre, Ajouter à la liste de surveillance et Ajouter au panier. Le classement des achats reflète le classement moyen des articles achetés. Plus c’est petit, mieux c’est.

Conclusion

Le modèle entraîné compte un total de plus de 2000 instances. Les tests A/B se déroulent en deux étapes. La première phase, qui comprenait uniquement des balises sélectionnées supplémentaires et a montré une augmentation de 2,97 % du nombre d'achats et une augmentation de 2,66 % des revenus publicitaires sur l'application mobile eBay, a été jugée suffisamment réussie pour faire passer le modèle en production mondiale.

La deuxième phase a ajouté plus d'actions au modèle, telles que « Ajouter à la liste de suivi », « Ajouter au panier », « Enchérir » et « Acheter maintenant », et les tests A/B ont montré un meilleur engagement client (comme plus de clics et de BWC). ).

Titre original : ​​EBay utilise l'apprentissage automatique pour affiner les annonces sponsorisées​​​, auteur : Jessica Wachtel​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!