من النقرات إلى الصفقات: كيف يبني أفيتو نماذج تحقيق الدخل بالتعلم الآلي

تكتب ألينا بابينكو، مديرة علوم البيانات بالوكالة في Avito، عن كيفية بناء فريق الشركة لنماذج تحقيق الدخل للبحث والتوصيات. تتمثل المهمة الأساسية في تقدير الإيرادات المتوقعة من تفاعلات المستخدمين مع القوائم ودمجها في الترتيب. المقياس الرئيسي هو نمو الإيرادات، لكن يجب على الفريق الموازنة بين ذلك وجودة البحث للمستخدمين. تُستخدم ثلاثة أنواع من النماذج: نماذج نسبة النقر إلى الظهور (CTR) للتنبؤ باحتمالية النقر، ونماذج نسبة التحويل (CVR) لتقدير فرصة حدوث إجراء مستهدف بعد النقر، ونموذج تصحيح يعدل العروض بناءً على جودة حركة المرور. للحفاظ على متوسط تكلفة النقرة مستقرًا، يستخدمون خسارة الإنتروبيا التقاطعية للاستعلام. لتقييم جودة الترتيب، يستخدمون ROC-AUC الطبقي بدلاً من ROC-AUC العالمي، لأن المستخدمين يقارنون القوائم ضمن استعلام واحد. يتم تقييم المعايرة باستخدام مقياس RIG. يواجهون تحديات في الإسناد، باستخدام النقرة الأخيرة أو الأولى أو طرق متعددة اللمس، ويستكشفون إعطاء وزن أقل للنقرات المبكرة. لمكافحة تحيز الموضع، يستخدمون إما ثلاثة نماذج CatBoost أو ترجيح الاحتمالية العكسية. كما ينتقلون من CatBoost إلى التعلم العميق، والذي يُظهر بالفعل جودة أفضل للتنبؤ بنسبة النقر إلى الظهور، لكنهم يلاحظون أن نمذجة الصفقات أكثر تعقيدًا من النقرات بسبب رحلات المستخدم الأطول.