跳转至

面向超大规模电商的时效感知复购预测：多界面生鲜推荐的生存分析模型

文章背景与核心概要

在传统电商推荐系统中，复购推荐通常采用二元分类方法（即预测“客户是否会在 \(W\) 天内购买商品 \(X\)”），这需要针对不同的预测时间窗口训练多个独立模型。本文提出用生存模型（Survival Models）直接预测复购时间，从而取代这种低效的模型栈。该研究在某大型生鲜电商平台的数百万用户数据及30多种配置上进行了评估，带来了三项核心贡献。

首先，通过实证风险分析发现，与“随着时间推移，生鲜商品复购概率增加 (\(k > 1\))”这一流行假设相反，实际数据表现出略微递减的边际风险（\(k \approx 0.9\)）。其中，对数正态（Log-Normal）模型取得了最佳的边际拟合效果（\(R^2 = 0.998\)）和排序性能。其次，在模型效率与特征偏移方面，单个加速失效时间（AFT）模型成功取代了三个不同时间窗口的二元分类器，其总树数量减少了约3倍，同时性能持平甚至超越了单个模型。特征重要性也发生了显著变化，渠道节奏和近期行为信号上升，而总体频次统计则有所下降。最后，在参数校准与权衡方面，4参数参数校准方法将原始生存累积分布函数（CDF）映射为各个时间窗口的概率，且不会产生跨时间窗口的单调性冲突。尽管指数（Exponential）AFT 模型的期望校准误差（ECE）比对数正态模型低约10倍，但其排序指标的相对差距仍在 \(0.3\%\) 以内。因此，作者最终在基于概率的推荐界面部署了指数 AFT 模型，而在纯排序界面部署了对数正态模型。

📌 Summary

Repurchase recommenders in e-commerce are traditionally built using binary classification ("will the customer buy item \(X\) within \(W\) days?"), requiring separate models for every prediction horizon. This paper proposes replacing that inefficient stack with survival models that predict time-to-repurchase directly. Evaluated on millions of customers from a major grocery e-commerce platform across more than 30 configurations, the study makes three primary contributions:

复购推荐在传统电商中通常采用二元分类构建（“客户是否会在 \(W\) 天内购买商品 \(X\)？”），这需要针对每个预测时间范围使用单独的模型。本文提出用直接预测复购时间的生存模型（survival models）来取代这种低效的模型组合。该研究在某大型生鲜电商平台的数百万客户、超过30种配置上进行了评估，主要做出三项贡献：

  1. Empirical Hazard Analysis: Contrary to the popular assumption that grocery items become more likely to be repurchased as time passes (\(k > 1\)), data reveals a slightly decreasing marginal hazard (\(k \approx 0.9\)). Log-Normal models achieve the best marginal fit (\(R^2 = 0.998\)) and ranking performance.
  1. 实证风险分析： 与普遍假设（即生鲜商品的复购可能性随时间推移而增加，\(k > 1\)）相反，数据表明边际风险略有下降（\(k \approx 0.9\)）。对数正态（Log-Normal）模型实现了最佳的边际拟合（\(R^2 = 0.998\)）和排序性能。
  1. Model Efficiency & Feature Shifts: A single Accelerated Failure Time (AFT) model successfully replaces three per-horizon binary classifiers while utilizing roughly \(3\times\) fewer total trees and matching or exceeding individual performance. Feature importance shifts notably, with channel-cadence and recency signals rising, while aggregate frequency counts decline.
  1. 模型效率与特征偏移： 单个加速失效时间（AFT）模型成功替代了三个不同时间范围的二元分类器，同时总树数量减少了约 \(3\) 倍，并且性能匹配或超过了单个模型。特征重要性发生了显著变化，渠道节奏和近期信号上升，而聚合频率计数则下降。
  1. Parametric Calibration & Trade-offs: A 4-parameter parametric calibration maps raw survival CDFs to per-horizon probabilities without cross-horizon monotonicity violations. While the Exponential AFT model achieves an Expected Calibration Error (ECE) roughly \(10\times\) lower than Log-Normal, ranking metrics remain within \(0.3\%\) relative. Consequently, the authors deploy Exponential AFT for probability-based surfaces and Log-Normal for pure ranking.
  1. 参数校准与权衡： 4参数参数校准将原始生存累积分布函数（CDF）映射到各个时间范围的概率，而不会违反跨时间范围的单调性。虽然指数 AFT 模型实现的期望校准误差（ECE）比对数正态模型低约 \(10\) 倍，但排序指标在相对 \(0.3\%\) 的范围内。因此，作者在基于概率的界面部署了指数 AFT 模型，在纯排序界面部署了对数正态模型。