属性归因和对齐在商品企划中的应用

2024-06-21 07:38

本文主要是介绍属性归因和对齐在商品企划中的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

公众号 系统之神与我同在

业务背景:

在电商运营中,分析哪些变量会对顾客是否购买产生影响是十分重要的。然而我们对顾客进行商品描述和对工厂进行商品描述时所采用的语言是完全不同的,顾客看到的是关键词“仙女、超仙、气质”等等,而我们对工厂的要求就要具体到衣服的面料,工艺等等。也就是说,生产语言和营销语言之间存在描述的鸿沟!
在这里插入图片描述
PART1:属性归因
相关研究:

对于属性归因的相关研究有下:

·GAM广义加性模型——优点:具有很强的可解释性,缺点:对复杂任务的拟合能力较弱。
·LIME——优点:模型无关,简单模型解释复杂模型,缺点:拟合准确率不高 ,二次误差,时间复杂度高。
·Lstm+attention+adversarial——优点:考虑了混淆变量的影响。
·Lstm+attention+Res——优点:考虑了混淆变量的影响。
形式化因果关系:

问题描述:属性归因要解决的问题则是,如何找到商品中哪些属性影响了买家的决策。

在实际业务场景下,我们将变量分为如下三种:

·类文本变量cpv(类目-属性-属性值)简称T:解释变量。
·混淆变量(简称C),包括:品牌,人气,库存,淘宝卖家交易数据, 店铺人气,店铺·评分,店铺销量、商品好评率,价格等。
·目标变量ipv(item page view)简称Y:被解释变量。

我们使用网站用户的搜索数据进行训练,来预测ipv,目标是降低混淆变量的干扰,预测准确。

衡量准确性的指标为加权准确率(Weighted Mean Absolute Percentage Error):

在这里插入图片描述
为了达到该目标,目前推出了三个版本的模型:

V1:Transformer+Attention+Residualization
在这里插入图片描述
该模型分为两部分:使用cpv预测ipv和使用混淆变量预测ipv,然后将两部分进行加和。其中loss=loss(ipv)+loss(ipv’)

模型的acc和loss如下:
在这里插入图片描述
V1的缺陷:

加性模型会受到变量自身方差的影响,会出现两个描述基本相同的商品,最终ipv相差很大的情况。
在这里插入图片描述
基于V1的缺陷,对目标函数进行如下修正:

ipv由两部分组成:

1.商品被用户看到的概率(曝光率)
2.用户看到商品后,点击商品的概率(点击率)

基于数据观察,提出假设:ipv由曝光率*点击率决定,cpv 中一部分决定了曝光率,混淆变量一部分在曝光后影响点击,cpv 中一部分直接影响流量,混淆变量中一部分直接影响流量。

[公式]

其中,X为混淆变量,Gate表示门控机制,E代表cpv的encoding,f是FNN层。

V2:Transformer+Attention+Residualization+GateNN
在这里插入图片描述
模型V2的acc和loss如下:
在这里插入图片描述
V3: Transformer+Attention+Res+GateNN+mutil_learning

V3中加入了多目标学习,约束模型的学习方向。并且加入另外两个策略:

1.额外信息:query命中cpv的次数,query命中越多的cpv,相对越重要。
2.采用指数衰减的学习率,通过query count在训练初期纠正模型训练的方向。

在这里插入图片描述
V2和V3在不同变量的重要性得分对比如下:
在这里插入图片描述
在这里插入图片描述
V3的acc和loss如下:
在这里插入图片描述
V3模型的结果:
在这里插入图片描述
PART2:属性对齐
相关研究:

目前许多属性对齐是基于神经机器翻译的词对齐来实现的。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
研究的热点:如何在Transformer上改进解释效果?

痛点:缺少平⾏语料和弱监督信号,如何从数据本身挖掘?

属性分类-冷启动数据准备:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
商品属性分类:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

商品属性对⻬—数据集构造:

数据来源于宝贝详情+标题NER,将数据分为两部分:生产属性集source和营销属性集target。
在这里插入图片描述
属性对齐模型有如下三个版本:

属性对齐模型 – V1版:Vanilla bi-LSTM Encoder + Decoder
在这里插入图片描述
问题:
在这里插入图片描述
对问题的分析:

·RNN的编码方式耦合了输入顺序
·本质:CPV不严格是序列关系
·Over/under translation problem
·需要追踪之前的注意力分布做模型约束

改进:

·编码器替换为Transformer
·平均池化作为全局语义向量
·考虑到解释性,折中使用单层
·引入Coverage机制作为多目标loss
·分类标签修正,增加差异性

属性对齐模型 – V2版:Transformer Encoder + Decoder
在这里插入图片描述
属性对齐模型 – V3版:V2 + Coverage constraint
在这里插入图片描述
矩阵分解+后处理:

1.矩阵分解:对营销属性x,取score Top2生产属性y,组成pair对(x, y)作为候选。以叶子类目为单位,聚合所有pair对。
2.排序规则:
在这里插入图片描述
3.对⻬结果导出:

CPV对⻬表1:⽣产 → 营销

CPV对⻬表2:营销 → ⽣产
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
后续改进:1.针对丰富度、差异性不⾜的类⽬优化,2.pipeline形式的误差累积。

PART3:场景应⽤
应用:

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
多场景赋能:
在这里插入图片描述

这篇关于属性归因和对齐在商品企划中的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1080601

相关文章

spring中的@MapperScan注解属性解析

《spring中的@MapperScan注解属性解析》@MapperScan是Spring集成MyBatis时自动扫描Mapper接口的注解,简化配置并支持多数据源,通过属性控制扫描路径和过滤条件,利... 目录一、核心功能与作用二、注解属性解析三、底层实现原理四、使用场景与最佳实践五、注意事项与常见问题六

Redis中Stream详解及应用小结

《Redis中Stream详解及应用小结》RedisStreams是Redis5.0引入的新功能,提供了一种类似于传统消息队列的机制,但具有更高的灵活性和可扩展性,本文给大家介绍Redis中Strea... 目录1. Redis Stream 概述2. Redis Stream 的基本操作2.1. XADD

JSONArray在Java中的应用操作实例

《JSONArray在Java中的应用操作实例》JSONArray是org.json库用于处理JSON数组的类,可将Java对象(Map/List)转换为JSON格式,提供增删改查等操作,适用于前后端... 目录1. jsONArray定义与功能1.1 JSONArray概念阐释1.1.1 什么是JSONA

nginx -t、nginx -s stop 和 nginx -s reload 命令的详细解析(结合应用场景)

《nginx-t、nginx-sstop和nginx-sreload命令的详细解析(结合应用场景)》本文解析Nginx的-t、-sstop、-sreload命令,分别用于配置语法检... 以下是关于 nginx -t、nginx -s stop 和 nginx -s reload 命令的详细解析,结合实际应

Linux线程之线程的创建、属性、回收、退出、取消方式

《Linux线程之线程的创建、属性、回收、退出、取消方式》文章总结了线程管理核心知识:线程号唯一、创建方式、属性设置(如分离状态与栈大小)、回收机制(join/detach)、退出方法(返回/pthr... 目录1. 线程号2. 线程的创建3. 线程属性4. 线程的回收5. 线程的退出6. 线程的取消7.

PostgreSQL的扩展dict_int应用案例解析

《PostgreSQL的扩展dict_int应用案例解析》dict_int扩展为PostgreSQL提供了专业的整数文本处理能力,特别适合需要精确处理数字内容的搜索场景,本文给大家介绍PostgreS... 目录PostgreSQL的扩展dict_int一、扩展概述二、核心功能三、安装与启用四、字典配置方法

Python中re模块结合正则表达式的实际应用案例

《Python中re模块结合正则表达式的实际应用案例》Python中的re模块是用于处理正则表达式的强大工具,正则表达式是一种用来匹配字符串的模式,它可以在文本中搜索和匹配特定的字符串模式,这篇文章主... 目录前言re模块常用函数一、查看文本中是否包含 A 或 B 字符串二、替换多个关键词为统一格式三、提

Java MQTT实战应用

《JavaMQTT实战应用》本文详解MQTT协议,涵盖其发布/订阅机制、低功耗高效特性、三种服务质量等级(QoS0/1/2),以及客户端、代理、主题的核心概念,最后提供Linux部署教程、Sprin... 目录一、MQTT协议二、MQTT优点三、三种服务质量等级四、客户端、代理、主题1. 客户端(Clien

python删除xml中的w:ascii属性的步骤

《python删除xml中的w:ascii属性的步骤》使用xml.etree.ElementTree删除WordXML中w:ascii属性,需注册命名空间并定位rFonts元素,通过del操作删除属... 可以使用python的XML.etree.ElementTree模块通过以下步骤删除XML中的w:as

Python打印对象所有属性和值的方法小结

《Python打印对象所有属性和值的方法小结》在Python开发过程中,调试代码时经常需要查看对象的当前状态,也就是对象的所有属性和对应的值,然而,Python并没有像PHP的print_r那样直接提... 目录python中打印对象所有属性和值的方法实现步骤1. 使用vars()和pprint()2. 使