报告预览

2019年推荐系统在房产领域中的策略优化.pdf

编号：97386

PDF 37页 8.20MB 下载积分：VIP专享

下载报告请您先登录！

2019年推荐系统在房产领域中的策略优化.pdf

1、推荐系统在房产领域的策略优化2019-11-02目录推荐策略优化-目标1 推荐策略优化-算法2 推荐效果优化-方向3目录推荐策略优化推荐策略优化-目标目标1 推荐策略优化-算法2 推荐效果优化-方向3推荐策略优化价值推荐策略优化-场景分端APPPCM站小程序业务二手房新房租赁物料房源小区楼盘户型AI导购文章大上海品茶大上海品茶详情页详情页少无结果少无结果推荐策略优化-目标成交成交GMV带看带看委托委托商机量商机量点击量点击量曝光量曝光量点击率点击率CTR=点击量点击量/曝光量曝光量转化率转化率CVR=商机量商机量/点击量点击量转化漏斗转化漏斗目录推荐策略优化-目标1推荐策略优化推荐策略优化-算法算

2、法2 推荐效果优化-方向3推荐策略优化算法基于内容用户画像搜索行为其他产品基于模型 ItemCF、FM Embedding基于业务热门、新上、收藏、高CTR召回召回机器学习线性模型LR、FM 树模型 GBDT 集成模型 GBDT+LR深度学习 Wide&Deep DeepFM多目标任务 ESMM排序排序推荐召回策略基于内容存储属性：区域、价格、面积等标签信息tags存储房源id和属性、标签信息索引根据房源属性，得到房源id根据房源id，得到房源信息应用大上海品茶用户画像（长中短实时）搜索、帮我找房少无结果用户搜索词检索信息详情页上下文房源信息ES检索系统加权ES召回策略用户画像推荐召回策

3、略协同过滤对比对比UserCFItemCF计算性能用户少物品少实时性弱强场景时效性强热门程度固定兴趣长尾物品解释性弱强领域新闻、博客、社交电商、电影、图书基于用户基于用户UserCF基于物品基于物品ItemCF房产领域房产领域选选UserCF还是还是ItemCF？房产领域：房产领域：ItemCF推荐召回策略协同过滤住宅别墅商用归一化K值参数swing热门房源活跃用户时间因素Jaccard 相似度余弦相似度皮尔森相似度相似度方法打压热度业务算法越大，覆盖率就越高打压热门item打压活跃用户Log平滑处理Swing算法推荐召回策略协同过滤结果：房源id1-房源id2，房源id3，房源id4，房

4、源详情页上下文房源itemCF召回策略大上海品茶用户点击房源：实时itemCF召回策略用户关注房源：关注itemCF召回策略用户搜索房源：搜索itemCF召回策略少无结果用户搜索结果房源itemCF推荐召回策略Embedding房源 Embedding问题客观描述房源相似度维度权重挖掘房源深度特征基础特征排序模型房源描述房源转化embedding向量 Word2vec 转化为 House2vec向量运算两个房源相似度两个向量的相似度推荐召回策略EmbeddingV1方案H1磒磒H3Word2vecH0H1H2H3H5关注IM/400浏览浏览浏览正样本(H1,H0)(H1,H

5、2)(H3,H2)(H3,H5)负样本(H1,H9)(H3,H8)其中H9，H8为出现频率较高的房源推荐召回策略Embedding序列构建学习IM/400序列、关注序列过采样H0H1H2H3H5关注IM/400浏览浏览浏览浏览序列H7H1H5关注序列H5H9IM/400序列推荐召回策略EmbeddingV1评估定性-数据可视化分析定量-转化为召回和排序策略进行线上AB实验推荐召回策略EmbeddingV1评估定性-数据可视化分析定量-转化为召回和排序策略进行线上AB实验小区距离卧室数高低推荐召回策略EmbeddingV1评估定性-数据可视化分析定量-转化为召回和排序策略进行线上AB实验对照组实

6、验组基于上下文召回-相对提升21.9%详情页详情页大上海品茶推荐召回策略EmbeddingV1评估定性-数据可视化分析定量-转化为召回和排序策略进行线上AB实验大上海品茶详情页对照组实验组基于实时行为召回-相对提升3.58%推荐召回策略EmbeddingV1问题北京沈阳卧室数高低小区距离样本量少的城市表现不好推荐召回策略EmbeddingV2改进V1V2全局上下文H0H1H2H3H5H1磒关注IM/400浏览浏览浏览扩充正样本正样本(H1,H0)(H1,H2)(H1,H5)IM/400房源推荐召回策略EmbeddingV2改进V1V2同城负采样负样本(H1,H9)(H1,H8)同城房源差异同城房源差异

7、扩大负样本扩大负样本推荐召回策略EmbeddingV2离线评估-沈阳卧室数高低小区距离V1V2推荐召回策略EmbeddingV2评估定性-数据可视化分析定量-转化为召回和排序策略进行线上AB实验大上海品茶详情页对照组实验组基于上下文V2召回替换V1版-相对提升7%推荐召回策略EmbeddingV2评估对照组实验组实时浏览+时间衰减的user embedding排序相对提升3.28%user embedding 排序H0H1H2浏览浏览浏览0.1,0.3,0.40.2,0.6,0.90.1,0.1,0.70.13,0.33,0.67U0大上海品茶详情页推荐排序模型DeepFMWide&Deep线性模型L

8、R：记忆能力DNN：泛化能力线性FM：记忆能力DNN：泛化能力共享embedding、联合训练推荐排序模型样本构造样本构造样本房产领域正样本扩充细粒度欠采样业务采样样本优化样本优化效果效果线下效果：线下效果：AUC提高提高0.01线上线上AB效果效果推荐排序模型特征特征准备特征准备用户房源时序相关 embedding 时间位置设备偏好特征行为特征基础特征房屋属性小区信息行为数据房源特征用户特征交叉特征上下文Wide部分部分Deep部分部分离散特征城市id商圈id小区idone-hot处理交叉特征用户+房源时间窗口地理位置其他外部 embedding价格离散化离散特征城市id

9、商圈id小区idEmbedding连续特征房源属性用户偏好低维离散性别设备One-hot处理连续特征143维、离散特征181维、共计324维推荐排序模型特征查看数据的类型概况查看特征的数值范围查看特征的分布情况通过对房源价格进行分析，可以看出价格成长尾分布，可以通过分桶分方式进行等频离散化，以及进一步归一化；但是，不同城市下房源的价格分布区间不同，差异较大，因此需要分城市进行特征处理。缺失值处理平滑处理离散处理异常值处理归一化处理特征特征EDA分析分析特征处理特征处理北京天津线上效果线上效果线下效果线下效果AUC提高提高0.06推荐排序模型模型选择模型种类模型种类线性模型线性模型树

10、模型树模型集成模型集成模型深度学习深度学习代表算法LR、FMGBDT分层模型GBDT+LRwide&deepdeepFM优点模型简单可解释性避免过拟合，支持连续特征树模型输出构建新特征高阶特征泛化能力缺点需要构建大量非线性特征支持特征个数有限工程复杂维护复杂调参难容易过拟合模型选择模型选择LR人工提取FM二阶特征GBDT特征组合DNN高阶交叉推荐系统模型特点交叉特征交叉特征高维稀疏高维稀疏稀疏one-hot稠密embeddingField交叉特征推荐排序模型线上化?offlineofflineonlineonline性能特征获取特征处理 tf-serving预测一致性线上线下特征源算

11、子模型线上化模型线上化目录推荐策略优化-目标1 推荐策略优化-算法2 推荐效果优化-方向3推荐效果优化方向准确性覆盖度稳定性监控系统迭代速度数量质量缺失数据结构图片质量文字主题关键信息干扰信息产品数据算法工程推荐系统人产品颜值数据血液算法灵魂工程体格推荐效果优化方向产品房评标题房评标题小区小区+居室居室+朝向朝向推荐理由推荐理由VSCTR相对提升 3.2%CTR相对提升 9.7%推荐效果优化方向数据数据缺失冷启动数据少特征数据质量爬虫误点击外部数据数据设计数据仓库数据标准化样本曝光点击商机抽样特征公用特征库用户特征房源特征上下文特征模型层特征处理模块特征一致性检验通用模型评估监控数据标准化数据标准化数据问题数据问题推荐效果优化方向工程高效迭代业务支持算法迭代服务稳定监控系统降级策略数据闭环效果回收实时反馈策略配置后台策略配置后台Abtest平台平台稳稳定定性性

友情提示

1、下载报告失败解决办法
2、PDF文件下载后，可能会被浏览器默认打开，此种情况可以点击浏览器菜单，保存网页到桌面，就可以正常下载了。
3、本站不支持迅雷下载，请使用电脑自带的IE浏览器，或者360浏览器、谷歌浏览器下载即可。
4、本站报告下载后的文档和图纸-无水印,预览文档经过压缩，下载后原文更清晰。

本文（2019年推荐系统在房产领域中的策略优化.pdf）为本站（云闲）主动上传，三个皮匠报告文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若此文所含内容侵犯了您的版权或隐私，请立即通知三个皮匠报告文库（点击联系客服），我们立即给予删除！

温馨提示：如果因为网速或其他原因下载失败请重新下载，重复下载不扣分。