eBay nutzt maschinelles Lernen, um Verkaufsangebote zu verbessern

​Übersetzer |.Bugatti

Rezensent |.Der Online-Marktplatz eBay hat seinem maschinellen Lernmodell zusätzliche Kaufsignale hinzugefügt, wie z. B. „Zur Beobachtungsliste hinzufügen“, „Gebot“ und „In den Warenkorb“, um die Relevanz von Empfehlungen zu verbessern Anzeigeneinträge basierend auf dem ursprünglich gesuchten Produkt. Chen Xue gab in diesem aktuellen

​Artikel

​ eine sehr ausführliche Einführung.

eBays Promoted Listing Standard (PLS) ist eine kostenpflichtige Option für Verkäufer. Mithilfe der PLSIM-Option empfiehlt die Empfehlungsmaschine von eBay gesponserte Produkte, die denen ähneln, auf die der potenzielle Käufer gerade geklickt hat. PLSIM zahlt nach einem CPA-Modell (Verkäufer zahlen eBay nur, wenn ein Verkauf getätigt wird). Dies ist also ein großer Anreiz, das effizienteste Modell zu entwickeln, um die besten Angebote zu bewerben. Dies funktioniert oft für Verkäufer, Käufer und eBay.

PLSIM-Reise ist wie folgt:

1. Benutzer sucht nach Produkten.

2. Der Benutzer klickt auf die Ergebnisse der Suche -> Melden Sie sich auf der Seite „Artikel anzeigen“ (VI) an, um die aufgelisteten Artikel anzuzeigen (eBay nennt sie „Seed Items“).

3. Benutzer scrollen auf der VI-Seite nach unten und können empfohlene Produkte in PLSIM sehen.

4. Benutzer klicken auf Artikel von PLSIM, um Aktionen auszuführen (ansehen, in den Warenkorb legen, jetzt kaufen usw.) oder einen anderen neuen Satz empfohlener Artikel anzuzeigen.

Aus Sicht des maschinellen Lernens sieht die PLSIM-Reise wie folgt aus:

Rufen Sie die Teilmenge der Kriterien für die Beförderungsliste der Kandidaten ab, die am engsten mit dem Startelement verknüpft sind („den vollständigen Satz finden“).

1. Verwenden Sie einen geschulten Sortierer für maschinelles Lernen, um die Produktliste im Suchsatz nach der Kaufwahrscheinlichkeit zu sortieren.
2. Ordnen Sie die Produktliste basierend auf den Werbepreisen neu, um die durch Werbeaktionen erreichte Verkaufsgeschwindigkeit der Verkäufer mit der Empfehlungsrelevanz in Einklang zu bringen.
3. Ranking-Modell

Das Ranking-Modell basiert auf den folgenden historischen Daten:

Daten für empfohlene Artikel

• Empfohlene Artikel ähnlich den Seed-Artikeln
• Kontext (Land und Produktkategorie)
• Benutzerpersonalisierungsfunktionen
• eBay-Nutzung Gradient Boosting Tree: Für ein bestimmtes Saatgutprodukt ordnet der Gradient Boosting Tree die Produkte nach ihrer relativen Kaufwahrscheinlichkeit.

Vom binären Feedback zum multiplen Korrelationsfeedback

In der Vergangenheit basierte die Kaufwahrscheinlichkeit auf binären Kaufdaten. Es ist „relevant“, wenn es mit dem Saatgut gekauft wird, andernfalls ist es „irrelevant“. Dies ist ein gescheiterter Ansatz, aber es gibt mehrere Hauptaspekte, die optimiert werden können:

Falsche Negative: Da Benutzer normalerweise nur einen Artikel aus der Empfehlungsliste kaufen, werden gute Empfehlungen nicht abgegeben, wenn der Kauf nicht getätigt wird. Kann angezeigt werden als schlechte Empfehlung, die zu Fehlalarmen führt.

• Wenige Käufe: Es wird immer schwieriger, ein Modell mit ausreichender Anzahl und Vielfalt an Käufen zu trainieren, um die Vorwärtsklasse im Vergleich zu anderen Benutzerereignissen vorherzusagen.
• Fehlende Daten: Von Klicks bis zum Hinzufügen zum Warenkorb offenbaren zahlreiche Benutzeraktionen eine Fülle von Benutzerinformationen und offenbaren mögliche Ergebnisse.
• Zusammenfassend berücksichtigen die eBay-Ingenieure zusätzlich zu den ersten Klicks die folgenden Benutzeraktionen und wie sie zum Ranking-Modell hinzugefügt werden:

Jetzt kaufen (gilt nur für Sofort-Kaufen, d. h. BIN-Einträge)

• HINZUFÜGEN WARENKORB (NUR BIN-LISTEN)
• BIETEN (NUR BESTE GEBOTLISTEN)
• GEBOT ABGEBEN (NUR AUKTIONSLISTEN)
• Zur Beobachtungsliste hinzufügen (BIN, BESTE GEBOT ODER AUKTIONSLISTEN) )

UI-Beispiel

Relevanzstufen für mehrfaches Relevanz-Feedback

eBay weiß jetzt, dass Einkäufe äußerst relevant sind, daher müssen zusätzliche Aktionen hinzugefügt werden, aber die neue Frage ist: Wo fallen diese Aktionen in die Relevanzstufe „Standort“?

Das Bild unten zeigt, wie eBay die verbleibenden möglichen Aktionen sortiert: „Bieten“, „Jetzt kaufen“, „Zur Beobachtungsliste hinzufügen“ und „In den Warenkorb“.

In den historischen Trainingsdaten für Seed-Elemente wird jedes potenzielle Element anhand der folgenden Skala mit einem Relevanzniveau gekennzeichnet.

markiert das Ergebnis, dass der Sortierer während des Trainings falsch bestellte Einkäufe härter bestraft als falsch bestellte Sofort-Käufe und so weiter.

Stichprobengewichte für mehrfaches Korrelations-Feedback

Gradient-Boosted-Bäume unterstützen mehrere Beschriftungen, um eine Reihe von Korrelationen zu erfassen, aber es gibt keine direkte Möglichkeit, die Größe der Korrelationen zu ermitteln.

eBay musste die Tests iterativ durchführen, bis sie Zahlen vorfanden, mit denen das Modell funktionierte. Die Forscher fügten zusätzliche Gewichte (sogenannte „Stichprobengewichte“) hinzu, die in die paarweise Verlustfunktion eingespeist wurden. Sie optimierten die Hyperparameter-Abstimmung und ließen sie 25 Iterationen lang laufen, bevor sie zu den besten Stichprobengewichten gelangten – „Zur Beobachtungsliste hinzufügen“ (6), „Zum Warenkorb hinzufügen“ (15), „Gebot“ (38), „Jetzt kaufen“ (8). ) und „Kaufen“ (15). Ohne Stichprobengewichte wird das neue Modell eine schlechtere Leistung erbringen. Bei Stichprobengewichten übertrifft das neue Modell das binäre Modell.

Sie haben versucht, nur Klicks als zusätzliches relevantes Feedback hinzuzufügen und haben eine abgestimmte Stichprobengewichtung für den Hyperparameter „Kauf“ von 150 angewendet. Offline-Ergebnisse werden auch unten angezeigt, wobei „BOWC“ für die Aktionen „Jetzt kaufen“, „Gebot abgeben“, „Zur Beobachtungsliste hinzufügen“ und „In den Warenkorb“ steht. Das Kaufranking spiegelt die durchschnittliche Rangfolge der gekauften Artikel wider. Je kleiner, desto besser.

Fazit

Das trainierte Modell hat insgesamt mehr als 2000 Instanzen. A/B-Tests werden in zwei Schritten durchgeführt. Die erste Phase, die nur zusätzliche Select-Tags umfasste und einen Anstieg der Kaufzahlen um 2,97 % sowie einen Anstieg der Werbeeinnahmen in der mobilen eBay-App um 2,66 % zeigte, wurde als erfolgreich genug erachtet, um das Modell in die weltweite Produktion zu bringen.

In der zweiten Phase wurden dem Modell weitere Aktionen hinzugefügt, wie „Zur Beobachtungsliste hinzufügen“, „In den Warenkorb“, „Gebot“ und „Jetzt kaufen“, und A/B-Tests zeigten eine bessere Kundenbindung (wie mehr Klicks und BWC). ).

Originaltitel: ​​EBay nutzt maschinelles Lernen, um beworbene Angebote zu verfeinern​​​, Autorin: Jessica Wachtel​

Das obige ist der detaillierte Inhalt voneBay nutzt maschinelles Lernen, um Verkaufsangebote zu verbessern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!