《天猫商品详情页满意度模型 -周祥军》由会员分享，可在线阅读，更多相关《天猫商品详情页满意度模型 -周祥军（31页珍藏版）》请在金锄头文库上搜索。
1、天猫商品详情页满意度模型 周祥军周祥军 关 于 个人 20092011：阿里妈妈，计算广告 20112013：百度商务部，竞价策略优化 2013至 今：天猫搜索 分享主题 基于商品详情页用户行为建模及应用 问题 理解 数据 准备 特征 选择 数学 建模 算法 调优 场景 应用 问题理解 问题 成交稀疏 搜索购物路径：Query SRP Detail 成交 CTR：浏览到点击 50% CVR：详情页到购买 3% 那么对于那97%没有成交的IPV是不是就是不好的商品呢？ 目标 提升转化率：更好的商品排序靠前 基于用户每次在商品详情页面的各种行为量化用户对当 前一次浏览的满意程度 热力图 详情页框架
2、 数据 准备 特征 选择 数学 建模 算法 调优 场景 应用 数据准备 用户卖家 宝贝 IPV：亿/天 成交：千万/天 10W+ 4亿+ 千万(在线) 商品：8000W+ 品牌：10W+ 行为：上百种 收集数据 历史数据 用户 商家 商品 新数据 获取：根据经验定义新类型数据，前端和系统配合 积累：模型需要一定的数据积累(7/30/90/180天) 特征 选择 数学 建模 算法 调优 场景 应用 特征选择 单维特征 特征组合 特征处理 去噪(反作弊) 离散化 归一化 特殊变形 Go od 覆盖度 刻画能力 低 弱 用户行为- 特征分析 记录条数成交笔数成交概率记录条数成交笔数成交概率 总123
3、21024325590762.08% 行为特征发生了该行为没有发生该行为覆盖率 二跳_013860941621919645.68%846008273671120.43%31.34% 宝贝详情_0000000001204316679448854.62%10277857616141911.57%16.58% 评价详情_0000000001166470356913634.15%10656320818677131.75%13.51% 旺旺咨询_0000000001497013766878113.46%11824010618902951.60%4.03% 加入购物车_000000014399286549
4、67412.49%11881095720094021.69%3.57% 收藏店铺_000000000132288971315034.07%11998134624275732.02%2.62% 收藏宝贝_000000000130973111206193.89%12011293224384572.03%2.51% 累计评价_000000000130645512103606.86%12014569223487161.95%2.49% 成交记录_000000000130088262274537.56%12020141723316231.94%2.44% 立即购买_0000000001165782299
5、175559.82%12155242115673211.29%1.35% 评价详情-00000000011185054957518.08%12202518924633252.02%0.96% 评价详情区-差评_001944177344273.65%12226606625246492.06%0.77% 评价详情区-中评_001804367364414.53%12240587625226352.06%0.65% 评价详情区-追加_001801410417285.21%12240883325173482.06%0.65% 立刻购买_000000000155083237078167.31%122659
6、41121882951.78%0.45% 评价详情区-好评_001517334348506.74%12269290925242262.06%0.42% 服务质量_000000000132836526816.04%12317740725538082.07%0.03% 给我推荐_000000000122083339115.36%12318816025556852.07%0.02% 停留时间- 特征分析 详情页屏数- 特征分析 数学 建模 算法 调优 场景 应用 回归函数 发生比(odds) Logit形式 )( 0 1 1 )|1( ii x ii e xyP )( i0 1 i x i i e
7、p p ii i i x p p 0) 1 (ln 数学建模 模型评估 AUC: 真实值和预估值是否一致（保序性） MAE/MSE：真实值和预估值Gap有多大（精确性） 具体case ABTest 模型评估 AUC # trainset 07.0107.31 # evalset 08.0108.05 # L1 weight = 3.000000 # L2 weight = 3.000000 # http:/mpi.alibaba- total_Clk=6108314.000000 total_nonClk=385445228.000000 total_ins=121600066 MEAN_CT
8、R=0.015600(total_clk/total_pv) MEAN_CTR=0.025231(1/n sum(ctr) MEAN_PCTR=0.021880(1/n sum(pctr) MSE=0.019240 MAE=0.032888 AUC=0.918956 WAUC=0.918956 #test auc total_Clk=1171295.000000 total_nonClk=77879222.000000 total_ins=24732546 MEAN_CTR=0.014817(total_clk/total_pv) MEAN_CTR=0.026209(1/n sum(ctr)
9、MEAN_PCTR=0.023119(1/n sum(pctr) MSE=0.020057 MAE=0.034857 AUC=0.927818 WAUC=0.927818 真实转化率 vs 满意度 人气 vs 满意度 ABTest 效果 场景 应用 搜索排序 推荐选品 信息披露 详情页优化 场景应用 数据(50%)、特征(20%)、应用(20%)、优化模型(10%) 要什么数据，做什么，要先想清楚 数据正确性校验 抽样，统计单维度数据是否正确 基础数据尽量保持原始数据，各种变形，组合，离散化等尽量放到最后 样本抽样：因为正负样本差异比较大，丢掉部分负样本也许对模型有利 人工调权：模型训练出来后的feature weight, 可以根据业务和经验需要人 工设置权重。 一些建议 Q&A
