eBay menggunakan pembelajaran mesin untuk meningkatkan penyenaraian jualan

​Penterjemah |. Bugatti

Penilai |. Tambah ke Troli" untuk meningkatkan perkaitan penyenaraian iklan yang disyorkan berdasarkan produk awal yang sedang dicari. Chen Xue memberikan pengenalan yang sangat terperinci dalam artikel terbaru ini

​.

Standard Penyenaraian Promosi (PLS) eBay ialah pilihan berbayar untuk penjual. Menggunakan pilihan PLSIM, enjin pengesyoran eBay akan mengesyorkan produk tajaan yang serupa dengan produk yang bakal pembeli klik. PLSIM membayar pada model CPA (penjual hanya membayar eBay apabila jualan dibuat), jadi ini adalah insentif yang hebat untuk mencipta model paling cekap untuk mempromosikan penyenaraian terbaik. Ini selalunya berkesan untuk penjual, pembeli dan eBay.

Perjalanan PSIM adalah seperti berikut:

1.

2. Pengguna mengklik pada hasil carian -> Log masuk ke halaman Lihat Item (VI) untuk melihat item yang disenaraikan (eBay memanggilnya item benih).

3. Pengguna tatal ke bawah halaman VI dan boleh melihat produk yang disyorkan dalam PLSIM.

4. Pengguna mengklik pada produk daripada PLSIM, melakukan tindakan (lihat, tambah pada troli beli-belah, beli sekarang, dll.), atau lihat satu lagi set produk baharu yang disyorkan.

Dari perspektif pembelajaran mesin, perjalanan PLSIM adalah seperti berikut:

Dapatkan subset kriteria senarai kenaikan pangkat calon yang paling rapat berkaitan dengan item benih ("Semak koleksi lengkap").

Gunakan pengisih pembelajaran mesin terlatih untuk mengisih senarai produk dalam set carian berdasarkan kemungkinan pembelian.
1. Susun semula senarai produk berdasarkan kadar pengiklanan untuk mengimbangi kelajuan jualan penjual yang dicapai melalui promosi dengan perkaitan cadangan.
3. Model penarafan

Model penarafan adalah berdasarkan data sejarah berikut:

Data produk yang disyorkan

Produk yang disyorkan serupa kepada produk benih
• Konteks (Negara dan Kategori Produk)
• Ciri Pemperibadian Pengguna
• eBay menggunakan pokok penggalak kecerunan yang, untuk item benih tertentu, Isih item berdasarkan kebarangkalian pembelian relatif mereka.

Daripada maklum balas binari kepada maklum balas korelasi berbilang

Pada masa lalu, kebarangkalian pembelian bergantung pada data pembelian binari. Ia adalah "relevan" jika ia dibeli dengan item benih, jika tidak ia "tidak relevan". Ini adalah pendekatan yang gagal, tetapi terdapat beberapa kawasan utama yang boleh dioptimumkan:

Negatif Palsu: Memandangkan pengguna biasanya hanya membeli satu item daripada senarai yang disyorkan, pembelian tidak berlaku apabila pembelian tidak dibuat Dalam sesetengah kes, pengesyoran yang baik boleh dilihat sebagai pengesyoran yang tidak baik, yang membawa kepada positif palsu.

Beberapa pembelian: Berbanding dengan acara pengguna lain, melatih model dengan bilangan dan kepelbagaian pembelian yang mencukupi untuk meramalkan kelas hadapan menjadi mencabar.
• Data Tiada: Daripada klik untuk ditambahkan pada troli, banyak tindakan pengguna mendedahkan banyak maklumat pengguna, mendedahkan hasil yang mungkin.
• Untuk meringkaskan, jurutera eBay mempertimbangkan tindakan pengguna berikut sebagai tambahan kepada klik awal dan cara menambahkannya pada model kedudukan:

Beli Sekarang (hanya terpakai Pada Belian -It-Now iaitu Penyenaraian BIN)

Tambah ke Troli (Penyenaraian BIN Sahaja)
• Bida (Penyenaraian Bidaan Terbaik Sahaja)
• Harga Tanya (Terpakai untuk Penyenaraian Lelong sahaja)
• Tambahkan pada Senarai Pantauan (Digunakan untuk BIN, Bidaan Terbaik atau Penyenaraian Lelong)

Contoh Antara Muka Pengguna

Tahap Perkaitan untuk Maklum Balas Berbilang Kaitan

eBay kini mengetahui bahawa pembelian adalah sangat berkaitan, jadi tindakan tambahan perlu ditambah, tetapi persoalan baharu ialah: di manakah tindakan ini termasuk dalam skala perkaitan?

Imej di bawah menggambarkan cara eBay mengisih baki tindakan yang mungkin - "Bida," "Beli Sekarang," "Tambah pada Senarai Pantauan" dan "Tambahkan ke Troli."

Dalam data latihan sejarah produk benih, setiap produk berpotensi dilabelkan dengan tahap perkaitan berikut. Hasil daripada teg

ialah semasa latihan pengisih menghukum pembelian yang salah dipesan dengan lebih teruk daripada pesanan yang salah "beli sekarang" dan seterusnya.

Berat sampel untuk maklum balas berbilang korelasi

Pokok yang dirangsang kecerunan menyokong berbilang label untuk menangkap julat korelasi, tetapi tidak ada cara langsung untuk mencapai magnitud korelasi.

eBay terpaksa menjalankan ujian secara berulang sehingga ia menghasilkan nombor yang menjadikan model itu berfungsi. Para penyelidik menambah pemberat tambahan (dipanggil "berat sampel") yang dimasukkan ke dalam fungsi kehilangan berpasangan. Mereka mengoptimumkan penalaan hiperparameter dan menjalankannya selama 25 lelaran sebelum mencapai pemberat sampel terbaik - "Tambah pada Senarai Pantauan" (6), "Tambah ke Troli" (15), "Bida" (38 ), "Beli Sekarang" (8 ) dan "Beli" (15). Tanpa berat sampel, model baharu akan berprestasi lebih teruk. Dengan berat sampel, model baharu mengatasi model binari.

Mereka cuba menambah hanya klik sebagai maklum balas tambahan yang berkaitan dan menggunakan berat sampel "Beli" hiperparameter yang ditala sebanyak 150. Keputusan luar talian juga ditunjukkan di bawah, dengan "BOWC" bermaksud Beli Sekarang, Buat Bidaan, Tambah pada Senarai Pantau dan Tindakan Tambah ke Troli. Kedudukan pembelian mencerminkan kedudukan purata item yang dibeli. Lebih kecil, lebih baik.

Kesimpulan

Model terlatih mempunyai jumlah lebih daripada 2000 contoh. Ujian A/B dijalankan dalam dua peringkat. Fasa pertama, yang hanya memasukkan teg terpilih tambahan dan menunjukkan peningkatan 2.97% dalam volum pembelian pada apl mudah alih eBay dan peningkatan 2.66% dalam hasil iklan, dianggap cukup berjaya untuk memindahkan model itu ke dalam pengeluaran global.

Fasa kedua menambahkan lebih banyak tindakan pada model, seperti "Tambahkan pada Senarai Pantau", "Tambahkan ke Troli", "Bida" dan "Beli Sekarang", dan ujian A/B menunjukkan penglibatan pelanggan yang lebih baik (cth. lebih banyak klik dan BWC).

Tajuk asal: ​​EBay Menggunakan Pembelajaran Mesin untuk Memperhalusi Penyenaraian Digalakkan​​​, Pengarang: Jessica Wachtel​

Atas ialah kandungan terperinci eBay menggunakan pembelajaran mesin untuk meningkatkan penyenaraian jualan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!