计算电子商务网站上产品排名的算法/公式（基于以下标准）

Question

我一直在研究算法和公式，以找出我的电子商务网站上可用产品的分数。基本上，我想计算某种分数以在用户搜索产品时对其进行排名。 我将提供一些关于我计划定义以计算排名的标准的背景：

• 产品点击次数
• 产品浏览量
• 产品转化
• 产品评分（由用户给出）
• 与用户提供的搜索字符串的相关性

理想情况下，我想要一个算法，我可以计算所有分数并相应地对产品进行排名。我拥有所有可用的数据，但我对我应该对上面描述的所有参数给予多少权重感到困惑？

任何帮助将不胜感激！

提前致谢。

编辑： 我计划为每个参数分配权重如下：

• 产品点击率（CTR）：1.0
• 产品浏览量：1.5
• 产品转化：4.0
• 产品评分：2.0

计算分数的公式是什么？

Answer 1

您可以将此问题设置为预测，或Learning-to-Rank 问题。首先，您要定义一个objective 函数。一个合理的假设是，最终您希望让用户尽可能轻松地购买您的产品，这意味着您希望将这些产品排在他们最有可能购买的尽可能高的位置。 “尽可能高”的概念可以通过一种已知的排名度量（参见参考资料）来精确化，例如标准化折扣累积收益 (nDCG) 或购买的平均倒数排名 (MRR)。根据预测转化率或购买概率的统计模型对产品进行排名将引导您实现这一目标。

现在，让我们做以下简化假设：

1. 没有查询（即每个用户都看到相同的列表）。
2. 每天，每种产品的销售额都与前一天完全相同。
3. 每种产品每天至少购买一次。
4. 用户查看结果列表中的每一项，然后决定是否购买以及购买什么。

在这种情况下，按前一天的销售额排名总是很完美的。

当然，我们已经简化了太多。

1. 正如无处不在的财务免责声明所说，“过去的表现并不一定预示着未来的结果”。销售额随季节、每周和随机变化而变化。
2. 许多（通常是大多数）销售数据是稀疏；尤其是新产品根本没有数据，所以我们需要依赖其他信息。
3. 用户通过键入查询来表达她的意图。理想情况下，我们可以通过分别记住每个查询的销售数字来减少这一方面；然而，在实践中，这会极大地加剧数据稀疏问题，参见 2)。

因此，您希望通过输入特征（其中包括昨天的产品转化）的函数进行排名，以尽可能准确地预测今天的产品转化。这个函数可以像你建议的那样简单，就像特征的加权总和一样，也可以像深度神经网络一样复杂。其中常见的是如何计算模型参数：在一天结束时收集训练数据：d-1天的特征值em>，以及在第 d 天观察到的转化。后者是我们的基本事实，但我们假装我们不知道它并尝试仅基于前者来预测它，例如，通过线性回归。这样做，（以前的）销售以外的功能将变得有用，以对抗稀疏性。

显然，我只是触及了表面。有很多方面和细化；例如，上面的假设 4.) 显然是不现实的。由于注意力有限，用户只看最上面的结果，这导致了所谓的位置偏差。

不过，希望这份简短的总结能为您指明正确的方向。

Answer 2

考虑到产品的评分使得计算变得更加困难，因为评论的数量总是大大低于查看/销售的数量/......所以产品评论可能对产品产生更大的影响比你想要的分数。

也许这篇论文有帮助：http://web.engr.oregonstate.edu/~cscaffid/papers/eu_20070611_redopal.pdf