eBayは機械学習を利用してプロモーションリストを改善

​翻訳者 | ブガッティ

校正：孫淑娟

オンラインマーケットプレイスの eBay では、「ウォッチリストに追加」、「オファー」、「カートに追加」などの追加の購入シグナルを機械学習モデルに組み込んで、最初に検索された商品に基づいて推奨される広告リストの関連性を向上させています。 Chen Xue 氏は最近の記事で詳細に説明しています。

eBay の Promoted Listings Standard (PLS) は、販売者向けの有料オプションです。 PLSIM オプションを使用すると、eBay の推奨エンジンが、潜在的な購入者がクリックした商品に類似したスポンサー付き商品を提案します。 PLSIM は CPA モデル (販売者が販売が成立した場合にのみ eBay に支払う) に基づいて支払うため、最も効率的なモデルを作成して最良の出品を宣伝する強いインセンティブがあります。これは多くの場合、売り手、買い手、eBay にとって良い結果をもたらします。

PLSIM の旅は次のようになります。

1. ユーザーが製品を検索します。

2. ユーザーは検索結果をクリックし、ログインして製品 (VI) ページを表示して、リストされている製品 (eBay ではシード製品と呼びます) を表示します。

3. ユーザーは VI ページを下にスクロールし、PLSIM で推奨製品を確認します。

4. ユーザーは PLSIM からアイテムをクリックしてアクション (表示、カートに追加、今すぐ購入など) を実行するか、別の新しい推奨アイテム セットを表示します。

機械学習の観点から見ると、PLSIM の道のりは次のようになります。

1. シード製品に最も関連性の高いサブセット候補プロモーション リスト基準を取得します (「セット全体を検索」)。
2. トレーニング済みの機械学習ランカーを使用して、購入の可能性に基づいてクエリ セット内のアイテムのリストを並べ替えます。
3. 広告料金に基づいて商品リストを並べ替え、プロモーションを通じて達成された販売者の速度と推奨の関連性を比較検討します。

ソートモデル

ランキング モデルは、次の履歴データに基づいています。

• 推奨製品データ
• 種子に似たおすすめ商品
• コンテキスト（国と製品カテゴリ）
• ユーザーパーソナライゼーション機能

eBay は、特定のシードアイテムについて、相対的な購入確率に基づいてアイテムをランク付けする勾配ブースティング ツリーを使用します。

バイナリフィードバックから多重相関フィードバックへ

これまで、購入確率はバイナリ購入データに依存していました。種子製品と一緒に購入された場合は「関連」、そうでない場合は「関連なし」となります。これは負け戦略ですが、改善できる重要な領域がいくつかあります。

• 偽陰性: ユーザーは通常、推奨リストから 1 つのアイテムのみを購入するため、購入が行われなかった場合は良い推奨が悪い推奨とみなされ、偽陽性が発生する可能性があります。
• 購入数が少ない: 他のユーザー イベントと比較して、正のクラスを予測するのに十分な数と多様な購入を持つモデルをトレーニングすることが困難になります。
• 欠落データ: クリックからカートへの追加まで、多数のユーザーアクションから、ユーザーに関する豊富な情報と、発生する可能性のある結果が明らかになります。

要約すると、eBay のエンジニアは、最初のクリックに加えて次のユーザー アクションを考慮し、それをランキング モデルに追加する方法を検討します。

• Buy-It-Now（Buy-It-Now BIN リストでのみ利用可能）
• カートに追加 (BIN リストのみ利用可能)
• 入札（最高入札リストのみ利用可能）
• 希望価格（オークション出品のみ）
• ウォッチリストに追加（BIN、ベストオファー、オークションリスト用）

ユーザーインターフェースの例

複数の関連フィードバックの関連レベル

eBay は購入の関連性が非常に高いことを認識しているため、他のアクションを追加する必要がありますが、新たな疑問は、これらのアクションが関連性の階層のどこに位置するかということです。

次の図は、eBay が残りの可能なアクション（「入札」、「今すぐ購入」、「ウォッチリストに追加」、「カートに追加」）をどのようにランク付けするかを示しています。

シード項目の履歴トレーニング データでは、各潜在的項目に次のスケールに従って関連性レベルのラベルが付けられます。

ラベル付けの結果、トレーニング中に、ランク付けツールは、誤ってランク付けされた「今すぐ購入」よりも、誤ってランク付けされた購入に対してより厳しいペナルティを課すことになります。

複数の関連性フィードバックのサンプル重み

勾配ブースティングツリーは、さまざまな依存関係をキャプチャするために複数のラベルをサポートしていますが、依存関係の大きさを直接実装する方法はありません。

eBay は、モデルが機能する数値に到達するまで、テストを繰り返し実行する必要がありました。研究者らは、ペアワイズ損失関数に入力される追加の重み（「サンプル重み」と呼ばれる）を追加しました。彼らはハイパーパラメータの調整を最適化し、25回の反復実行を経て、「ウォッチリストに追加」（6）、「カートに追加」（15）、「入札」（38）、「今すぐ購入」（8）、「購入」（15）という最適なサンプル重みに到達しました。サンプルの重みがないと、新しいモデルのパフォーマンスは低下します。サンプル重みを使用すると、新しいモデルはバイナリ モデルよりも優れたパフォーマンスを発揮します。

彼らは、調整されたハイパーパラメータ「購入」のサンプル重みを 150 にして、追加の関連性フィードバックとしてクリックのみを追加することを試みました。また、以下にはオフラインの結果も表示されます。「BOWC」は、「今すぐ購入」、「入札」、「ウォッチリストに追加」、「カートに追加」の各アクションを表します。購入ランキングは、購入された商品の平均ランキングを反映します。小さければ小さいほど良いです。

結論は

モデルは合計 2000 を超えるインスタンスでトレーニングされました。 A/B テストは 2 段階で実行されます。追加の選択タグのみを含む最初のフェーズでは、eBay モバイル アプリでの購入が 2.97% 増加し、広告収入が 2.66% 増加したことが示され、このモデルをグローバルな生産環境に移行するのに十分な成功と見なされました。

第 2 フェーズでは、「ウィッシュリストに追加」、「カートに追加」、「入札」、「今すぐ購入」などのアクションがモデルに追加され、A/B テストでは顧客エンゲージメントの向上 (クリック数の増加や BWC の増加など) が示されました。

原題: eBay が機械学習を使用してプロモーション リストを改良、著者: Jessica Wachtel