本文摘要:为了进一步理解用户的这种不道德行为,亚马逊的研究者有很多希望。因此,他指出,短关键词响应用户的不确定性和探索意愿,宽关键词不减少正确给出的可能性。这些大多是数据统计资料的分析,亚马逊为了评价与搜索结果无关的产品的价值展开了两次实验。

水平

为什么人们不卖与自己购物搜索预期不同的东西呢? 这是个有点想法的问题。Alexa购物团队管理搜索功能的高级经理Liane Lewin-Eytan在自己的博客中进行了说明。例如,人们向Alexa发出搜索指令,通过购物搜索算法,Alexa最后无法选择某些产品。满足用户市场需求的产品可以解释为“相关产品”。

而且,这些“产品相关”的结尾显示了人工注释者的识别。简单来说,人工注解者标记有符合用户期望的相关产品,其他产品标记没有相关产品。

有趣的是,亚马逊方面最近发现用户不与标注者无关的产品联系。我推荐个例子。人工评注者不是将“汉堡包销售”的词条与“汉堡包机”联系,而是与汉堡包产品联系,亚马逊销售了看起来与接受“汉堡包销售”指令的用户有关的汉堡包机,并确定了(公众号:)录:上图是从Amazon亚马逊对用户这种不道德的分类,第一个需要销售与产品无关的东西。

就像之前推荐的汉堡机的例子。第二个是与产品无关的“对话”,例如将产品添加到购物车或与其他用户共享产品。

亚马逊的研究表明,在面对销售量低或更便宜的产品时,用户很可能不销售产品。另外,比起美容产品和杂货产品的类别,在玩具和数字产品等类别销售与产品无关的东西的可能性更高。为了进一步理解用户的这种不道德行为,亚马逊的研究者有很多希望。首先,研究小组用统计资料的方法鉴定长短不同的关键词的检索结果。

根据研究,与中等长度的检索关键词相比,用末尾/比较冗馀的关键词进行检索的用户在购买决定方面更灵活。因此,他指出,短关键词响应用户的不确定性和探索意愿,宽关键词不减少正确给出的可能性。

这两种方式都降低了用户与产品无关的可能性。另外,还考虑了搜索结果中包含的产品和不包含的产品之间的间接关系。

例如,如果两个产品是完全相同的样式、品牌或类别,或者它们总是在设施中销售,则它们之间不存在间接关系。研究者用于两种不同的间接关系测量方法,一种基于说明性用语的含义,另一种基于销售历史。这两个因素都会影响用户不销售产品的可能性。

销售

这些大多是数据统计资料的分析,亚马逊为了评价与搜索结果无关的产品的价值展开了两次实验。首先,研究者展开了1500次搜索,记录了每次搜索不包括产品和产品,考虑了在这些产品中应用5个不同的自由选择策略的结果。

第一个战略是“拟合战略”,总是自由选择需要提供更高销售或参与水平的产品。(参与水平/销售水平是参与不道德/销售不道德与数据样本中所有交互的比率。

水平

其他四个分别是“战略相关”,即自由选择产品相关的东西。“与战略无关”,即自由选择与产品无关,从“随机战略”,即两个产品中随机选择,“最佳战略”,即自由选择不会减少参加级别/销售级别的产品。

记录: pRatio为销售水平,eRatio的参加度水平如右图所示,与拟合战略和战略相关的自由选择的商品(无误差)相比,根据其余战略自由选择的商品在销售水平和参加水平上有很大的差异。另一个实验中,研究者用于完全相同的1500个探索,训练三种不同的机器学习模式:一种自学最大化相关性,二种自学最大化销售水平,三种自学仅次于参加水平。在此基础上,亚马逊建立了两个融合模型。一个融合了关联模式和参与模式,另一个融合了关联模式和销售模式。

也可以为每个融合模型展开调整,以为构成该模型的两个模型的输入分配不同的权重。例如,在关联销售的融合模型中,如果将关联和销售水平的权重分别设定为1和0,则该融合模型只生成关联模型输入。如果将融合模型的权重设定为0.5,则无法获得两个模型输入的均匀分布混合。

对于这两种融合模型,亚马逊设定了一系列的权重,并绘制了结果。因此,在上图右图中,关联性和销售水平/参加水平之间没有权衡:提高或减少关联性不会影响销售水平/参加水平的表现。亚马逊回答说,如果搜索结果不能满足顾客的市场需求,但看起来有关系,顾客有可能破解这一严重不足,允许。

同时,销售水平/参与水平代表更主观的关联性类型,人工评注者可能无法评价这种关联性,无法介绍令人满意的产品。现在,亚马逊用于评价关联性和销售/参与水平之间的权衡的模型非常硬,更简单强大的机器学习模型,特别是如果被具体训练来评价关键词的长度、价格、间接关系等确认要素,就会取得更好的结果亚马逊了解到,在2月召开的ACM Web搜索和数据挖掘会议上,将进一步展示这项研究的成果。原创文章,发布许可禁令刊登。以下,听取刊登的心得。

本文关键词:东西,销售,人工,产品,模型,专业电子竞技竞猜平台

本文来源:OPE官网-www.neptunatuna.com

admin

相关文章