(1) 分類アルゴリズム: ビジネス プロセスでのサークル選択とビジネス フィルタリングに予測クラス ラベルを使用するには、モデルのトレーニングと最適化に十分なサンプル データが必要であり、これにより予測精度が向上します。 。予測タグには注文支払い予測に限定されず、検索支払い予測、検索予測、詳細ページ予測なども含めることができます。
(2) レコメンデーションアルゴリズム: 並べ替えと優先順位付けに関連し、幅広い最先端の知識と技術スタックが必要です。推奨アルゴリズムの目的は、リコール セットから適切なホテルの部屋タイプをユーザーに推奨することです。たとえば、親子旅行シナリオの場合、推奨アルゴリズムは、ツインルームやスイートなどの適切なホテルの部屋タイプをユーザーに推奨できます。
(3) ナレッジ グラフ: グラフ データベース テクノロジを使用して、ユーザーとその周囲の関係をより適切に明らかにします。異常なユーザーを特定し、悪意のあるユーザーであるかどうかを判断するなど、リスク管理シナリオには多くのアプリケーションがあります。
(4) 因果推論: ユーザーへのテキスト メッセージやプッシュ メッセージの送信がマーケティング効果に及ぼす影響を説明するために例が使用されますが、これにはコストの問題が含まれます。
(5) グラフィックスと画像: グラフィックスと画像処理テクノロジを組み合わせて、グラフィックスと画像をマークします。これには画像のセグメンテーション、認識、その他のテクノロジーが含まれますが、多くの場合、ユーザー タグを介して画像のラベル付けに逆に適用されます。たとえば、不適切なコメントを投稿したユーザーのラベルが抽出され、グラフィック イメージのラベル付けアルゴリズムに適用され、ラベル付けの効率と精度が向上します。
(6) NLP ロボット
(7) 類似マーケティング アルゴリズム: シード ユーザーを介した拡大マーケティングのためのアルゴリズム。
需要タイプに基づいてさまざまな分類方法があります:
- 単一エンティティ: 関係ネットワークまたはナレッジ グラフを通じて他の関連エンティティを検索します。たとえば、ナレッジ グラフを使用してエンティティ間の関係を発見し、それによって 1 つのエンティティに関連するエンティティを拡張できます。
- #ビジネス エンティティ セット: 特定のビジネスに関連するタグ。ビジネス自体によって生成され、人間によって制御されません。たとえば、マーケティングやビジネス拡大のためにホテル検索ユーザーや航空券検索ユーザーをターゲットにしたい場合は、ビジネス エンティティ タグの詳細な分析とマイニングを通じてユーザーのニーズと行動をより深く理解し、それによってビジネス戦略を最適化し、コンバージョン率を向上させる必要があります。そしてユーザーエクスペリエンス。ビジネス エンティティ セットは、ブランド モデル、関連付けルール、ソリューション ラベリング プラットフォームなどを通じて拡張して、より豊富なポートレート ラベルまたはポートレート ユーザーを取得できます。
- # ルール エンティティ セット: 特定のルールまたは条件に基づいて生成されたラベルを指します。これらのタグは通常、ビジネスの理解に基づいて製品チームによって使用され、タグ ツールを使用して特定のルールを満たすユーザー グループを選択します。例えば、旅程や部屋タイプを提案する過程で、北京で航空券やホテルを購入したユーザーがいると、特定の行動連鎖を持つユーザーをマーケティングプロモーションのターゲット層として活用することができます。リレーショナル エンティティとクラスタリング アルゴリズムを使用して処理できます。クラスタリング アルゴリズムを実行するときは、クラスタリングにルール ラベルだけを使用することはできず、他のラベルも使用する必要があることに注意することが重要です。同時に、ルール タグと関連性の高いタグをルール タグと混合しないようにする必要があります。この状況を回避するために、ソリューション タグ プラットフォームは、ユーザーが類似のタグを除外できるように、タグと他のタグの間の相関分析を提供します。
- # 行動エンティティ セット: ユーザーの行動に基づいて生成されたタグ。これらのタグは、ユーザーの行動特性と要求タイプを分析することにより、対応するマーケティング戦略を開発します。たとえば、北京の航空券やホテルを購入したユーザーの場合、購入時間、頻度、好みなどの行動特性をさらに分析し、よりターゲットを絞ったマーケティング戦略を開発できます。
2. ナレッジ グラフと頻繁なパターンに基づく類似アルゴリズム
フィルタリングでポートレート タグのみに依存すると、次のような問題が発生する可能性があります。ニーズに合わないターゲットユーザーをいかに選別するかが難しい問題となっている。価値やアクティビティなどに基づく並べ替えなどの従来の方法では、選択したユーザーがターゲット ユーザー グループに最も類似していることを確認するのが困難です。ナレッジ グラフや頻繁に発生するパターンを通じて、ユーザー間の類似性を測定できます。この類似性は定量化可能で拡張可能です。関係レベルを通じて、アルゴリズムはターゲット ユーザーに類似したユーザー グループをより正確に見つけることができます。
3. 因果推論に基づく類似アルゴリズム
従来の相関ルールやポートレートタグと比較して、因果推論はより深い質問を解決できます。アソシエーション ルールとポートレート ラベルは主に、「ビールを購入するユーザーはおむつも購入する可能性がある」などの相関関係の問題を解決しますが、なぜこの相関関係が存在するのかを説明することはできません。この相関関係は、異なる文化や市場では当てはまらない場合があります。したがって、履歴データとモデルによる因果推論を通じて、ユーザーの行動とコンバージョンに影響を与える主要な要因を見つけることができます。これらの重要な要素は関係の発見を通じて見つけることができ、これはユーザーの行動やビジネス プロセスをより深く理解するのに役立ちます。
たとえば、右上隅の赤い部分は、より多くのユーザーを拡大するために、ビジネスの理解を通じてビジネス プロセスをよりよく反映する部分をフィルタリングします。
4. オブジェクトのポートレート
オブジェクトのポートレート ポートレートを構築するプロセスでは、ホテルのポートレートに含まれる都市、ビジネス地区、ルート、フライトなどのオブジェクトの属性と特性に主に焦点を当てます。これらのプロパティは、オブジェクトをより正確に説明および理解するのに役立ち、ポートレートに豊富なコンテンツを提供します。
#ユーザー ポートレートと比較して、オブジェクト ポートレートはオブジェクト間の類似性を強調します。実際には、通常、オブジェクトの類似性を推奨やランキングなどの操作に使用します。オブジェクト間の類似性を測定するには、属性ベクトルや埋め込みなどのさまざまな方法を使用できます。これらのメソッドはオブジェクトをベクトルとして表現し、これらのベクトルを使用して類似度の計算を実行できます。オブジェクト ポートレートを構築するプロセスはユーザー ポートレートを構築するプロセスと似ていますが、実際のアプリケーションでは、ビジネス ニーズとシナリオに基づいて適切な調整と最適化を行う必要があることに注意してください。同時に、オブジェクト間の関係と階層構造を詳細に分析して、オブジェクトのポートレートがビジネス ニーズを正確に反映していることを確認することも必要です。
さらに、オブジェクトのイメージを構築するプロセスでは、いくつかの重要な問題にも注意する必要があります。
(1) 類似性は類似性を意味しません。たとえば、埋め込み手法を使用する場合、価値の高いユーザー グループが 5 つ星ホテルを検索している場合、これらの 5 つ星ホテル間の相関は強い可能性があります。ただし、一部のビジネス シナリオでは、この相関関係が当てはまらない場合があります。したがって、特定のビジネス シナリオに基づいてオブジェクトの類似性を慎重に検討する必要があります。
(2) コールドスタートの問題。たとえば、ホテルのプロファイリングでは、新しいホテルがオンラインになったときに、ユーザーの行動データが不足している可能性があります。この問題を解決するには、属性距離を使用して大次元のラベル属性を抽出し、使いやすいポートレート ラベルを構築し、このラベルを使用して類似度の計算を実行します。
(3) 解釈可能性
##4. ポートレート タグの適用シナリオ
アプリケーション 1: マーケティング群衆の選択と拡散
#ポートレートタグはマーケティングの選択と普及のプロセスにおいて重要な役割を果たします。ポートレートタグを合理的に使用することで、オペレーターは、選択したユーザーグループをより詳細に分析およびスクリーニングすることができ、最初に選択したユーザーグループが大きすぎる、または小さすぎる、またはマーケティング効果をさらに拡大または最適化する必要があると感じた場合に、より良いマーケティング結果を達成するために、ポートレートタグを通じて拡散または再選択することができます。 
しかし、ポートレートタグを選択して広める際に最も一般的な問題は、ユーザーコンバージョンと運用介入の 4 つの象限です。これら 4 つの象限はそれぞれ、さまざまなユーザー コンバージョン状態と運用介入戦略を表しており、さまざまな状況に対してさまざまな対応が必要です。たとえば、コンバージョンが高く介入が少ないユーザーに対しては現状を維持する戦略を採用し、コンバージョンが低く介入が少ないユーザーに対してはコンバージョンを促進する戦略を採用することができます。
ポートレート タグの適用プロセスにおけるマーケティングの選択と普及の 4 つの段階は次のとおりです。
科学的分析: ユーザー データを深く掘り下げ、ターゲット グループを正確に特定します。コンバージョン効果を向上させるため。
補助サークルの選択: タグを使用してターゲット ユーザーを効率的にフィルタリングし、マーケティング活動の適切性と効率を向上させます。
インテリジェントな拡張: アルゴリズムとモデルに基づいて、ユーザー グループをインテリジェントに分類および拡張し、マーケティング対象範囲を拡大します。
モデルの実装: 実際のマーケティング活動と組み合わせて、ポートレート タグと戦略を最適化し、最高のマーケティング結果を達成します。
#アプリケーション 2: ビジネス指標の属性分析
ポートレート タグ システムによる分析ビジネスの品質指標を評価し、戦略をさらに最適化します。ビジネスの反復プロセスでは、通常、アトリビューション分析アルゴリズムやビジネス分析などの手法を使用して戦略を生成します。その後、実験的な測定を実施し、実験戦略がうまく機能すれば、本格的に開始します。
ただし、このプロセスでは、指標の品質と実験結果の品質をどのように分析するかという 2 つの問題に遭遇します。 。これらの課題を解決するには、経営指標の帰属分析を行う必要があります。まず、レポートやアラームなどを通じてビジネス上の問題を発見し、問題の原因を突き止め、具体的なシナリオと実際の変換関係を明確にします。次に、問題の原因を特定し、その原因が制御可能か制御不可能かを判断します。制御できない場合は、自然なジッターである可能性があり、あまり注意する必要はありませんが、制御可能な場合は、この問題を引き起こす未知のシナリオがあるかどうかをさらに調査する必要があります。 定性分析モジュールでは、制御可能な要因と制御不可能な要因を明確にし、いくつかの未知のシナリオにおける問題の原因を調査します。最後に、ビジネス担当者がどのようなシナリオでそれを行うべきかをガイドするための提案が提供されます。このシナリオは、実際には特定の事業のコンバージョン率が低下したことを意味しており、事業全体の分析プロセスを通じて、非市場要因と制御可能な要因の割合を把握できます。市場要因が大きな割合を占めている場合は、すぐに多くの人的資源や物的資源を投入しなくても、後から問題を解決することができます。
アプリケーション 3: AB 実験パフォーマンス分析
#Qunar の AB 実験システムを担当する過程で、私たちはしばしば次のような問題に直面します。何かの挑戦。製品チームが実験を完了するために多大な時間とリソースを投資したときに、実験結果が有意でなかった場合、「なぜ実験が無効なのか」「次の反復の方向性は何なのか」といった疑問が生じやすくなります。 」 これらの問題を解決するために、主に 3 つの部分に分かれた AB 実験性能分析を実施しました。まず、悪い実験結果が、ビジネス プロセス ファネル モデル、コア ユーザー ポートレート ラベルの識別、およびビジネス ドメインの誤解を招くラベルの識別を通じてボリュームの改善が不十分であることが原因であるかどうかを判断しようとしました。次に、デシジョン ツリーなどの分析手法を使用して、他の実験での競合や改善が大幅な割合に達しない状況など、質的改善に問題があるかどうかを調査します。最後に、アクションの効果を定量化し、各アクションが目標に与える影響を明確にします。 これらの分析プロセスを通じて、製品チームがより効率の高い最適化の方向性を選択できるように具体的なガイダンスを提供し、それによって質的な改善を達成できます。これらの分析は、製品の反復方向の最適化に役立つだけでなく、企業のリソースと時間を節約し、全体的な業績を向上させることにも役立ちます。
5. 質疑応答セッション
Q1: ユーザーの行動と業務ログの違いは何ですか?
A1: ユーザー行動データは主に、クリックなどのアプリ側でのユーザーのインタラクティブな行動を記録します。これらのデータは主にユーザーのインタラクションプロセスを反映します。ビジネスデータには、エージェントの接続プロセスや物流情報など、バックグラウンドで処理されるさまざまな情報が含まれます。これらのデータはユーザーには見えませんが、ビジネスプロセス全体を理解し、ユーザーエクスペリエンスを向上させるためにも重要です。実際の運用では、ユーザーの行動とビジネスプロセスをよりよく分析して理解するために、これらのデータをポートレートタグシステムに組み込む必要があります。たとえば、電子商取引プラットフォームの場合、一部のデータはユーザーに関係しない可能性がありますが、一部のデータはユーザーエクスペリエンスやビジネスプロセスに関係するため、適切な審査と処理が必要です。
Q2: ストリーミングのラベル付けは現在どのように行われていますか?より複雑なタグ ルールをサポートできますか?データから開発されていますか、それとも視覚的に構成されていますか?
A2: ストリーミング タグは、Flink などのツールを使用するなど、ストリーミング コンピューティングを通じて実装できます。ユーザーは、定義されたデータをドラッグ アンド ドロップして、ストリーミング計算を通じてラベルを計算できます。同時に、カスタマイズされた計算用の Python コードまたは SQL コードをアップロードすることもできます。さらに、Spark やその他の方法でもサポートできます。ストリーミング タグでは、さまざまなニーズを満たすために、計算の量と時間枠を制限する必要があります。
ストリーミング タグは、複雑なタグ ルールをサポートできます。ユーザーは、Python コードまたは SQL コードをアップロードすることで、より複雑なラベル計算を実装できます。
ストリーミング タグは、データ開発とビジュアル構成の 2 つの方法で実装できます。 Qunar プラットフォームでは、ユーザーは定義されたデータをドラッグ アンド ドロップしてストリーミング コンピューティングを通じてラベルを計算したり、カスタマイズされた計算のために Python コードまたは SQL コードをアップロードしたりできます。
Q3: リアルタイムタグとは何ですか?
A3: リアルタイム タグとは、ユーザーの行動やビジネス イベントが発生したときにリアルタイムで計算されて適用されるタグを指します。たとえば、ユーザーがフロントエンド インターフェイスで苦情を送信すると、システムはユーザーの要求と注文の問題をリアルタイムで分析し、対応するリアルタイム ラベルでユーザーにラベルを付けます。この種のリアルタイムのラベル付けは、ユーザーのニーズと問題を迅速に反映し、タイムリーな処理と最適化を実現します。リアルタイム タグの定義は企業によって異なります。Qunar の場合、3 秒以内はリアルタイムとみなされますが、数時間は非リアルタイム シナリオとみなされます。
Q4: ID マッピングは、複数の携帯電話番号/デバイス番号を一意の ID に識別しますか? それとも、各ユーザーが一意の ID を持つことを許可しますか?たとえば、ある携帯電話番号が 2 つのデバイスにログインしており、そのうちの 1 つのデバイスが別の携帯電話番号にログインしています。それは 1 つだけですか、それとも 3 つですか?
A4:モバイル インターネットの普及に伴い、携帯電話番号をユーザーの一意の識別子として使用する企業が増えています。ワンクリック ログインは業界で一般的になり、ユーザーは簡単にログインしてアプリケーションを使用できるようになりました。 Qunar のようなプラットフォームでは、一意のユーザー ID として携帯電話番号も使用します。ほとんどの場合、携帯電話番号はユーザーの一意の識別子として扱われます。ただし、いくつかの特殊なケースでは、ユーザーが携帯電話番号を変更するシナリオも考慮し、それに応じて処理します。また、ユーザーの管理と識別をより適切に行うため、同じ携帯電話番号で 2 台のデバイスにログインしている場合、ユーザーのデバイスの保持状況を一連の判定によって判断します。ユーザーが一時的にデバイスにログインした場合はビジターとみなされ、ユーザーがデバイスを長期間保持した場合はホルダーとみなされます。
Q5: 製品ラベルの適用シナリオは何ですか?
#A5: 最も一般的なのは製品の価格設定です。製品の価格をパーソナライズするには、製品タグを使用する必要があります。これらのラベルは、内部および外部要因の特定の数値に基づいて計算されます。内部要因が適切に整理されていない場合、外部要因の影響が誇張される可能性があります。 は総当たり解法と同じように理解できますが、あらゆる要素を入れて試してみて、各要素がどれだけ影響を与えるかを見て、各要素に相関関係があるのか因果関係があるのかを判断します。
#Q6: リアルタイム ビジネス ラベルはカスタマイズして開発する必要がありますか?
A6: リアルタイム タグが構築された後、開発レベルを通じて基本的な統計を通じて取得できるいくつかのリアルタイム タグを使い果たすよう最善を尽くしました。ルールやモデルなどのリアルタイムタグについては、カスタマイズして開発する必要があります。
Q7: タグのライフサイクルを管理するにはどうすればよいですか?
A7: 設立当初は使い捨てのタグがいくつかありますが、使用後は使用できなくなります。 Q8: AB 実験の最小サンプル サイズを決定するために、いくつかの統計的手法を使用できますか? AB 実験には標準的な計算プロセスがありますが、統計的に有意な効果を達成するために必要なおおよそのサンプル サイズを知ることができますか?
A8: 中小企業ではトラフィックが不十分な可能性があります。最小サンプル サイズを達成したい場合、運用レベルでは達成できないため、ある程度のトラフィックが必要です。最小サンプルサイズに達していない場合、実験の効果を迅速かつ大まかに推測できます。
Q9: ユーザー キャリバー ポートレートのキャリバー タイプはどのように保存および表示されますか?ユーザーのポートレートには、単一のタグに加えて、ユーザーの好みの観点を形成するための複数のタグもあります。これら 2 種類のタグをより適切に保存するにはどうすればよいでしょうか?
#A9: すべての企業が異なることを示してください。ストレージの観点から見ると、Qunar には複数のストレージ方法があります。主に高速リアルタイム応答のために、一部のデータの冗長ストレージを許容できます。つまり、タグにアクセスするときは、アクセスに時間がかからない 1 つの方法を使用するよう最善を尽くします。
Q10: ソリューション ラベルの構築におけるモデルの応用は何ですか?
A10: 実際、Qunar での私の現在の業務を通じて、大規模なモデルがアルゴリズムのラベル付けに広く使用されています。まず、最も単純な例です。ユーザーのポートレートを作成するときに、POI ランドマーク データに遭遇することがよくあります。ランドマーク データは、いくつかのドキュメントから抽出されます。おそらく、これが使用される大規模なモデルです。この場所の精度は正直です。いくつかのサイトよりもはるかに優れています。過去に自分たちで作ったモデル。そして、ナレッジ グラフを構築するとき、エンティティの曖昧さの解消、エンティティのマージなどに遭遇することになります。
Q11: プロファイリング アルゴリズム エンジニアもランキングの推奨事項を実装する必要がありますか?
A11: いいえ、この推奨事項はエンジニアを推奨するものですが、推奨アルゴリズムはポートレート エンジニアの結果を使用する必要があります。ポートレート エンジニアは、品質と品質を明確に区別する必要があります。ポートレートラベルとアプリケーションシナリオの説明であり、レコメンデーションソートエンジニアがより使いやすくなるように説明されています。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
