eBay は機械学習を使用して販売リストを改善します

翻訳者 | Bugatti

レビュアー | Sun Shujuan

オンライン マーケットプレイス eBay は、機械学習モデルに「ウォッチリストに追加」、「入札」、「」などの追加の購入シグナルを追加しました。カートに追加」を選択すると、最初に検索された商品に基づいて、推奨される広告リストの関連性が高まります。 Chen Xue は、この最近の記事 で非常に詳細な紹介を行っています。

# eBay のプロモーション リスティング スタンダード (PLS) は、販売者向けの有料オプションです。 PLSIM オプションを使用すると、eBay の推奨エンジンは、潜在的な購入者がクリックした商品に類似したスポンサー付き商品を推奨します。 PLSIM は CPA モデルに基づいて支払いを行うため (販売者は販売が行われた場合にのみ eBay に支払います)、これは最高の出品を促進するための最も効率的なモデルを作成する大きな動機となります。これは多くの場合、売り手、買い手、eBay にとってうまくいきます。

PLSIM のプロセスは次のとおりです:

1. ユーザーは製品を検索します。

2. ユーザーは検索結果をクリックし、[アイテムの表示 (VI)] ページにログインして、リストされたアイテム (eBay ではシードアイテムと呼びます) を表示します。

3. ユーザーは VI ページを下にスクロールすると、PLSIM で推奨される製品を確認できます。

4. ユーザーは PLSIM から製品をクリックし、アクション (表示、ショッピング カートに追加、今すぐ購入など) を実行するか、別の新しい推奨製品セットを表示します。

機械学習の観点から見ると、PLSIM のプロセスは次のとおりです。

次の条件に最も密接に関連するサブセット候補昇格リスト基準を取得します。シード項目 (「完全なコレクションを確認する」)。
1. トレーニングされた機械学習ソーターを使用して、購入の可能性に従って検索セット内の製品リストを並べ替えます。
2. 広告料金に基づいて製品リストを並べ替えて、プロモーションを通じて達成される販売者の販売速度と推奨事項の関連性のバランスをとります。

ランキング モデル

ランキング モデルは次の履歴データに基づいています:

推奨製品のデータ
• 推奨類似製品シード製品へのリンク
• コンテキスト (国と製品カテゴリ)
• ユーザー パーソナライゼーション機能

eBay は、特定のシード アイテムに対して、アイテムを並べ替える勾配ブースティング ツリーを使用します。相対的な購入確率に基づいて。

バイナリ フィードバックから多重相関フィードバックへ

これまで、購入確率はバイナリの購入データに依存していました。シードアイテムと一緒に購入された場合は「関連」し、そうでない場合は「無関係」になります。これは失敗したアプローチですが、最適化できる主な領域がいくつかあります。

誤検知: ユーザーは通常、推奨リストから 1 つの商品のみを購入するため、購入時に購入は発生しません。場合によっては、良い推奨事項が間違った推奨事項であると見なされ、誤検知が発生する可能性があります。
• 購入が少ない: 他のユーザー イベントと比較して、フォワード クラスを予測するのに十分な数と多様性のある購入を備えたモデルをトレーニングすることが困難になってきています。
• データの欠落: カートに追加するためのクリックから、多数のユーザー アクションにより、豊富なユーザー情報が明らかになり、考えられる結果が明らかになります。

要約すると、eBay エンジニアは、最初のクリックとそれをランキング モデルに追加する方法に加えて、次のユーザー アクションを検討します。

今すぐ購入 (次の時点でのみ適用)今すぐ購入 (BIN リストなど)
• カートに追加 (BIN リストのみ)
• 入札する (最高入札リストのみ)
• 入札する (以下に適用)オークション出品のみ)
• ウォッチリストに追加 (BIN、最高入札、またはオークション出品に適用)

ユーザー インターフェイスの例

複数の関連性フィードバックの関連性レベル

eBay は、購入の関連性が非常に高いことを認識しているため、追加のアクションを追加する必要がありますが、新たな問題は、これらのアクションが関連性階層内のどこに分類されるかということです。

下の画像は、eBay が残りの可能なアクション (「入札」、「今すぐ購入」、「ウォッチリストに追加」、および「カートに追加」) をどのように分類するかを示しています。

シード項目の履歴トレーニング データでは、各潜在的な項目に次のスケールによる関連性レベルのラベルが付けられます。

顕著な結果は、トレーニング中に、ソーターが誤って注文した購入に対して、「今すぐ購入」などの誤って注文した場合よりも厳しいペナルティを課すことです。

複数の相関フィードバックのサンプル重み

勾配ブースト ツリーは、さまざまな相関を捕捉するために複数のラベルをサポートしていますが、相関の大きさを達成する直接的な方法はありません。

eBay は、モデルが機能する数値が得られるまでテストを繰り返し実行する必要がありました。研究者らは、ペアワイズ損失関数に入力される追加の重み (「サンプル重み」と呼ばれる) を追加しました。彼らはハイパーパラメータ調整を最適化し、最適なサンプル重みに到達するまでに 25 回繰り返し実行しました - 「ウォッチリストに追加」 (6 件)、「カートに追加」 (15 件)、「入札」 (38 件)、「今すぐ購入」 (8 件) ）と「購入」（15）。サンプルの重み付けがないと、新しいモデルのパフォーマンスは低下します。サンプルの重みを使用すると、新しいモデルはバイナリ モデルよりも優れたパフォーマンスを発揮します。

彼らは、追加の関連フィードバックとしてクリックのみを追加しようとし、調整されたハイパーパラメータ「購入」サンプル重み 150 を適用しました。オフラインの結果も以下に示されています。「BOWC」は、今すぐ購入、入札、ウォッチリストに追加、およびカートに追加のアクションを表します。購入ランキングは購入された商品の平均順位を反映しています。小さいほど良いです。

#結論

トレーニングされたモデルには合計 2000 を超えるインスタンスがあります。 A/B テストは 2 段階で実施されます。最初のフェーズでは追加の選択タグのみが含まれ、eBay モバイル アプリでの購入量が 2.97% 増加し、広告収入が 2.66% 増加したことが示され、モデルを世界的な運用に移行するのに十分な成功とみなされました。

第 2 フェーズでは、「ウォッチリストに追加」、「カートに追加」、「入札」、「今すぐ購入」などのアクションをモデルに追加し、A/B テストで顧客エンゲージメントの向上が示されました (例:クリック数と BWC が増加します)。

元のタイトル: EBay は機械学習を使用してプロモート リスティングを洗練します 、著者: Jessica Wachtel

以上がeBay は機械学習を使用して販売リストを改善しますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。