eBay使用機器學習完善促銷列表

譯者| 布加迪

審校| 孫淑娟

線上市場eBay在其機器學習模型中加入了額外的購買訊號，例如「添加到關注清單」、「出價”和“添加到購物車”，根據搜尋的初始商品提高所建議的廣告清單具有的相關性。 Chen Xue在最近的這篇文章中作了非常詳細的介紹。

eBay的促銷清單標準（PLS）是針對賣家的收費選項。使用PLSIM這個選項，eBay的推薦引擎會推薦類似潛在買家剛點擊的某個商品的贊助商品。 PLSIM以CPA模式支付（賣家僅在銷售達成時向eBay付費），因此這對於創建最有效的模式來促銷最佳清單非常有動力。這往往對賣家、買家和eBay都卓有成效。

PLSIM旅程如下：

1. 使用者搜尋商品。

2. 使用者點擊來自搜尋的結果－>登入查看商品（VI）頁面，以查看列出的商品（eBay稱之為種子商品）。

3. 使用者向下捲動VI頁面，可在PLSIM中看到推薦的商品。

4. 使用者點擊來自PLSIM的商品，執行操作（觀看、加入購物車和立即購買等），或查看另一組新的推薦商品。

從機器學習的角度來看，PLSIM旅程如下：

1. 檢索與種子商品最密切相關的子集候選促銷清單標準（《查全集》）。
2. 運用經過訓練的機器學習排序器，依照購買的可能性將查全集中的商品清單進行排序。
3. 根據廣告費率對商品清單重新排序，以便將透過促銷實現的賣家銷售速度與推薦相關性作一番權衡。

排序模型

排序模型是基於以下歷史資料：

• #推薦商品的資料
• 與種子商品相似的推薦商品
• 上下文（國家和產品類別）
• 使用者個人化功能

#eBay使用梯度提升樹，對於特定的種子商品而言，該梯度提升樹根據商品的相對購買機率對商品進行排序。

從二元回饋到多重相關回饋

在過去，購買機率依賴二元購買資料。如果是與種子商品一起購買的，它就是「相關」的，不然就是「不相關」的。這是一種失敗的方法，不過有幾個主要的方面可加以優化：

• 漏報：由於用戶通常只從推薦清單中購買一件商品，因此在購買沒有進行的情況下，好的推薦可能被視為不好的推薦，從而導致誤報。
• 購買很少：與其他使用者事件相比，訓練具有足夠購買數量和多樣性的模型來預測正向類別正變得頗具挑戰性。
• 遺漏數據：從點擊到添加到購物車，眾多用戶操作揭示了大量用戶信息，揭示了可能出現的結果。

綜上所述，eBay工程師除了考慮初始點擊以及如何將它們添加到排序模型外，還考慮以下用戶操作：

• 立即購買（僅適用於Buy-It-Now即BIN清單）
• 加入購物車（僅適用於BIN清單）
• 出價（僅適用於最佳出價清單）
• 叫價（僅適用於拍賣清單）
• 新增至關注清單（適用於 BIN、最佳出價或拍賣清單）

使用者介面範例

多重相關回饋的相關程度

eBay現在知道購買極具相關性，因此需要添加其他操作，但新的問題是：這些操作在相關性等級內處於什麼位置？

下圖說明了eBay如何對剩餘的可能操作進行排序——「出價」、「立即購買」、「加入關注清單」和「加入購物車」。

在種子商品的歷史訓練資料中，每個潛在商品都被以下等級標記為相關性等級。

標記的結果是，在訓練期間，排序器對排序錯誤的購買實行的懲罰比排序錯誤的「立即購買」更嚴重，往下依此類推。

多重相關回饋的樣本權重

梯度提升樹支援多個標籤來捕捉一系列相關性，但沒有直接的方法來實現相關性的大小。

eBay不得不迭代運行測試，直到得出使模型工作的數字。研究人員加入了額外的權重（名為「樣本權重」），這些權重被饋送到成對損失函數中。他們優化了超參數調整工作，並運行了25次迭代，然後得出最佳的樣本權重——“添加到關注列表”（6）、“添加到購物車”（15）、“出價”（38 ）、「立即購買」（8）和「購買」（15）。如果沒有樣本權重，新模型的表現會較差。有了樣本權重，新模型的表現優於二元模型。

他們嘗試只加入點擊作為額外的相關回饋，並運用經過調整的超參數「Purchase」樣本權重150。下面還顯示了離線結果，其中“BOWC”代表“立即購買”、“出價”、“添加到關注列表”和“添加到購物車”這些操作。購買排序反映了所購商品的平均排序。越小越好。

結論

訓練的模型總共有超過2000個實例。 A/B測試分兩個階段進行。第一階段僅包括額外的選擇標籤，在eBay行動應用程式上的購買數量顯示增加2.97%，廣告收入顯示增加2.66%，被認為足夠成功，可以將模型投入到全球生產環境。

第二階段在模型中加入了更多操作，例如“添加到關注列表”、“添加到購物車”、“出價”和“立即購買”，A/B測試顯示出更好的客戶參與度（例如更多的點擊和BWC）。

原文標題：#EBay Uses Machine Learning to Refine Promoted Listings# #，作者：Jessica Wachtel

#

以上是eBay使用機器學習完善促銷列表的詳細內容。更多資訊請關注PHP中文網其他相關文章！