某电商网站现在需要预测用户未来一周内购买哪些商品，请问：

[问答题]

1）可以使用哪些评价指标（至少写出两个）？

2）你会使用或构造哪些特征（至少写出五个）？

3）现可供使用的模型有Logistic模型和 GBDT(Gradient Boosting Decison Tree)模型，请简述这两个模型的原理，并比较这两个模型的特点。

4）训练模型后在线下的离线评价效果很好，但上线使用后发现效果极差，请分析可能的原因及解决方案。

猫呜呜

1）可以使用的评价指标：F1值，AUC值

2）构造三大类特征：User features，Item features， Cross features。

user features：用户历史交易中的ctr转化率；用户的点击购买时差；用户在网站上的浏览习惯等。
item features：商品在历史交易中的ctr转化率；商品的点击热度；商品的点击购买时差；商品在所属种类中的热度排名等。
cross features：用户对商品的浏览、购买等行为的计数统计；用户对商品的点击热度、购买热度排序；用户对商品种类的热度排序；用户之间相似度；相似度大的用户之间的商品购买统计等。

3） Logistic模型是假设数据服从伯努利分布，采用极大似然估计法求参，然后用梯度下降的方法对参数进行优化，最后用求概率的方式对样本实现二分类。GBDT模型是对多棵决策树采用提升的思想，即每次迭代都是拟合上一棵树残差的近似值，实现分类或回归预测。

4）可能原因是模型的泛化能力差，即模型发生了过拟合，解决方案：

编辑于 2018-08-11 19:00:17 回复(2)

牛客Cver

1) 商品类型、用户浏览商品的浏览率

2) 用户点击某个点击率、停留在某种商品的浏览时间、商品类型、用户购买的商品数量、用户购买商品的价格区间

3）逻辑回归是一种分类模型，损失函数是交叉熵，属于判别模型，基于最大熵的准则对交叉熵进行最小化；GBDT模型是先用一个初始值学习一棵树，然后在叶子节点处得到预测值和残差，之后的树基于前面的残差不断拟合得到一棵树。

特点：逻辑回归是基于最大熵准则，loss函数是交叉熵，对数据的噪音具有高斯假设，适合大的数据集、特征比较稀疏的场景，但是准确率不是特别高；GBDT模型采用的 CART 树模型作为基分类器进行负梯度拟合，其是一种对特征样本空间进行划分的策略，适合应用于特征比较稠密的特征的数据集。

4）可能的原因：

① 可能线上数据集存在过多的噪音数据，训练模型的泛化能力不够好。解决方案：可以继续采样，将训练数据集中添加部分的噪音数据，重新训练，以提高模型的泛化能力；

② 数据集本身正负样本不平衡。解决方案：调整正负样本的比例，或者对于数据量少的正样本（负样本）进行过采样或者进行数据增强，丰富数据集，或者将原始的损失函数替换成focal loss。

发表于 2020-04-10 11:43:19 回复(0)

提交观点

问题信息

网易算法工程师 2018

上传者：小小

难度：

2条回答 84收藏 3165浏览