algo-ecom-ranking

电商产品排序

概述

电商排序会将文本相关性（BM25）与商业信号（点击率、转化率、收入、利润率）结合起来，形成统一的排序分数。它使用基于点击和转化数据训练的学习排序（LTR）模型，优化与业务相关的结果。

适用场景

触发条件：

• 构建超越纯文本相关性的产品搜索／浏览排序
• 将业务指标（利润率、库存）纳入排序
• 实现学习排序流程

不适用场景：

• 仅关注纯文本搜索相关性时（使用 BM25）
• 没有点击／转化数据时（从基于规则的排序开始）

算法

IRON LAW: Relevance Is Necessary But NOT Sufficient for E-Commerce Ranking
A result that is textually relevant but has zero sales history, no
reviews, and is out of stock serves no one. E-commerce ranking must
balance: relevance (does it match the query?), quality (is it a good
product?), and commercial value (does it generate revenue?).

阶段 1：输入验证

收集每个产品－查询对的特征：文本相关性分数（BM25）、历史点击率、转化率、平均评分、评论数、价格竞争力、库存水平、利润率。 **门槛：**具备最低限度的特征，且点击数据覆盖 30 天以上。

阶段 2：核心算法

**基于规则的基线：**分数 = w₁×相关性 + w₂×热度 + w₃×评分 + w₄×新近度。手动调整权重。

LTR 方法：

1. 根据点击日志生成训练数据（点击 = 正例，跳过 = 负例，并进行位置去偏）
2. 特征：文本匹配度、行为数据（点击率、加入购物车率）、产品质量（评分、评论）、新鲜度、价格
3. 训练：使用 LambdaMART 或梯度提升排序模型优化 NDCG
4. 混合：final_score = α × LTR_score + (1-α) × business_boost

阶段 3：验证

离线评估：NDCG@10、MRR。在线 A/B 测试：每次搜索的收入、点击率、转化率。 **门槛：**NDCG 优于基线，且 A/B 测试的主要指标为正向结果。

阶段 4：输出

返回包含分数分解的排序后产品列表。

输出格式

{
  "results": [{"product_id": "P123", "rank": 1, "final_score": 0.92, "components": {"relevance": 0.85, "popularity": 0.95, "quality": 0.90}}],
  "metadata": {"query": "wireless earbuds", "model": "lambdamart", "ndcg_at_10": 0.72}
}

示例

示例输入／输出

**输入：**查询“laptop”，500 个匹配产品 **预期：**排名靠前的结果兼顾文本匹配度、高转化率和良好评分，而不只是关键词相关性。

边界情况

输入	预期	原因
新产品，无历史数据	依赖文本相关性 + 类别平均值	冷启动——没有行为信号
缺货商品	降低排名或移除	展示无货商品会令用户不满
赞助商品	将广告排名与自然排名混合	清楚区分赞助商品和自然结果

注意事项

• 训练数据中的位置偏差：无论质量如何，排名靠前的商品都会获得更多点击。使用逆倾向加权或随机化实验对训练数据进行去偏。
• 热度偏差：如果没有多样性控制，热门商品会主导排名，新品或小众商品得不到曝光。添加探索奖励。
• 优化收入 ≠ 用户满意度：按利润率排序会让高价商品排名上升。如果结果让用户觉得受商业因素操控，他们会失去信任。
• 特征时效性：点击信号每天都会变化。应频繁重新训练或更新特征。过时的特征会降低排序质量。
• 类别专用模型：单一排序模型可能不适用于所有类别。电子产品排序与时尚产品排序有所不同。

参考资料

• LambdaMART 的实现请参阅 references/lambdamart.md
• 位置去偏技术请参阅 references/position-debiasing.md