eBay는 기계 학습을 사용하여 판매 목록을 개선합니다.

​번역가 | Bugatti

리뷰어 | Sun Shujuan

온라인 마켓플레이스 eBay는 "관심 목록에 추가", "입찰" 및 "장바구니에 추가"와 같은 추가 구매 신호를 추가했습니다. 검색 중인 초기 제품을 기반으로 한 광고 목록. Chen Xue는 최근 ​기사​​에서 매우 자세한 소개를 했습니다.

eBay의 PLS(Promoted Listing Standard)는 판매자를 위한 유료 옵션입니다. PLSIM 옵션을 사용하면 eBay의 추천 엔진이 잠재 구매자가 방금 클릭한 제품과 유사한 스폰서 제품을 추천합니다. PLSIM은 CPA 모델(판매자는 판매가 이루어진 경우에만 eBay에 비용을 지불함)에 따라 비용을 지불하므로 이는 최고의 목록을 홍보하기 위한 가장 효율적인 모델을 만들 수 있는 큰 인센티브입니다. 이는 종종 판매자, 구매자 및 eBay에게 효과적입니다.

PLSIM 여정은 다음과 같습니다.

1. 사용자가 상품을 검색합니다.

2. 사용자가 검색 결과를 클릭하고 -> 항목 보기(VI) 페이지에 로그인하여 나열된 항목을 봅니다(eBay에서는 이를 시드 항목이라고 함).

3. 사용자는 VI 페이지를 아래로 스크롤하여 PLSIM에서 추천 제품을 볼 수 있습니다.

4. 사용자는 PLSIM에서 항목을 클릭하여 작업(보기, 장바구니에 추가, 지금 구매 등)을 수행하거나 다른 새로운 추천 항목 세트를 봅니다.

기계 학습 관점에서 PLSIM 여정은 다음과 같습니다.

1. 시드 항목과 가장 밀접하게 관련된 후보 프로모션 목록 기준의 하위 집합을 검색합니다("전체 집합 찾기").
2. 훈련된 기계 학습 분류기를 사용하여 구매 가능성을 기준으로 검색 세트의 제품 목록을 정렬합니다.
3. 추천 관련성과 프로모션을 통해 달성한 판매자 판매 속도의 균형을 맞추기 위해 광고 요율을 기준으로 제품 목록을 재정렬합니다.

순위 모델

순위 모델은 다음과 같은 과거 데이터를 기반으로 합니다.

• 추천 항목에 대한 데이터
• 시드 항목과 유사한 추천 항목
• 컨텍스트(국가 및 제품 카테고리)
• 사용자 개인화 기능

eBay 사용 그라디언트 부스팅 트리, 특정 종자 제품의 경우 그라디언트 부스팅 트리는 상대적 구매 확률에 따라 제품 순위를 매깁니다.

바이너리 피드백에서 다중 상관 피드백으로

과거에는 구매 확률이 바이너리 구매 데이터에 의존했습니다. 시드 아이템과 함께 구매한 경우 "관련성"이고, 그렇지 않은 경우 "관련성 없음"입니다. 이는 실패한 접근 방식이지만 최적화할 수 있는 몇 가지 주요 측면이 있습니다:

• 거짓 부정: 사용자는 일반적으로 추천 목록에서 하나의 항목만 구매하므로 구매가 이루어지지 않으면 좋은 추천이 제공되지 않습니다. 잘못된 추천으로 간주되어 오탐지로 이어집니다.
• 소수의 구매: 다른 사용자 이벤트에 비해 포워드 클래스를 예측하기 위해 충분한 수와 구매 다양성을 갖춘 모델을 훈련시키는 것이 상당히 어려워지고 있습니다.
• 데이터 누락: 클릭부터 장바구니에 추가까지 수많은 사용자 작업을 통해 풍부한 사용자 정보가 공개되고 가능한 결과가 드러납니다.

요약하자면 eBay 엔지니어는 초기 클릭 수 및 이를 순위 모델에 추가하는 방법 외에도 다음과 같은 사용자 작업을 고려합니다.

• 지금 구매(즉시 BIN 목록에만 적용)
• 추가 장바구니(BIN 목록만 해당)
• 입찰(최적 입찰 목록만 해당)
• 입찰하기(경매 목록만 해당)
• 관심 목록에 추가(BIN, 최고 입찰 또는 경매 목록만 해당)

UI 예

다중 관련성 피드백을 위한 관련성 수준

eBay는 이제 구매가 매우 관련성이 높다는 것을 알고 있으므로 추가 작업을 추가해야 하지만 새로운 질문은 이러한 작업이 관련성 척도 내에서 어디에 속합니까? 위치입니다.

아래 이미지는 eBay가 "입찰", "지금 구매", "관심 목록에 추가" 및 "장바구니에 추가" 등 가능한 나머지 작업을 정렬하는 방법을 보여줍니다.

시드 항목의 과거 학습 데이터에서 각 잠재적 항목에는 다음 척도에 따라 관련성 수준이 표시됩니다.

은 훈련 중에 분류기가 잘못 주문한 구매에 대해 지금 구매를 잘못 주문한 것보다 더 심각한 처벌을 가하는 결과를 표시합니다.

다중 상관 관계 피드백을 위한 샘플 가중치

Gradient Boosted Tree는 다양한 상관 관계를 포착하기 위해 여러 레이블을 지원하지만 상관 관계의 크기를 얻을 수 있는 직접적인 방법은 없습니다.

eBay는 모델이 작동하는 숫자를 찾을 때까지 테스트를 반복적으로 실행해야 했습니다. 연구원들은 쌍별 손실 함수에 추가 가중치("샘플 가중치"라고 함)를 추가했습니다. 하이퍼파라미터 튜닝을 최적화하고 최고의 샘플 가중치에 도달하기 전에 25번의 반복을 실행했습니다. - "관심 목록에 추가"(6), "장바구니에 추가"(15), "입찰"(38), "지금 구매"(8) ) 및 "구매"(15). 샘플 가중치가 없으면 새 모델의 성능이 저하됩니다. 샘플 가중치를 사용하면 새 모델이 이진 모델보다 성능이 뛰어납니다.

그들은 추가 관련 피드백으로 클릭수만 추가하려고 시도했으며 조정된 하이퍼 매개변수 "구매" 샘플 가중치 150을 적용했습니다. 아래에는 오프라인 결과도 표시됩니다. 여기서 "BOWC"는 지금 구매, 입찰하기, 관심 목록에 추가 및 장바구니에 추가 작업을 나타냅니다. 구매순위는 구매한 상품의 평균 순위를 반영합니다. 작을수록 좋습니다.

결론

훈련된 모델에는 총 2000개 이상의 인스턴스가 있습니다. A/B 테스트는 두 단계로 진행됩니다. 추가 선택 태그만 포함하고 eBay 모바일 앱에서 구매량이 2.97% 증가하고 광고 수익이 2.66% 증가한 첫 번째 단계는 모델을 글로벌 생산으로 전환하기에 충분히 성공적인 것으로 간주되었습니다.

두 번째 단계에서는 "관심 목록에 추가", "장바구니에 추가", "입찰" 및 "지금 구매"와 같은 더 많은 작업을 모델에 추가했으며 A/B 테스트에서 더 나은 고객 참여를 보여주었습니다(예: 클릭 수 증가 및 BWC 증가) ).

원제: ​​EBay는 기계 학습을 사용하여 프로모션 목록 개선​​​, 저자: Jessica Wachtel​

위 내용은 eBay는 기계 학습을 사용하여 판매 목록을 개선합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!