聊透购物意图预测：怎么让你的模型在不同类目里“活”起来？

说真的，每次跟朋友聊起推荐算法，我总喜欢打个比方。这玩意儿就像你去楼下小卖部买东西，老板娘记性特好，你一进门她就知道你要买酱油还是买烟。但要把这种“读心术”搬到线上，面对成千上万的商品和用户，还得靠算法。今天咱们就来唠唠这个核心——购物意图预测，特别是那个让人头大的问题：怎么让同一个模型，或者说同一套逻辑，在卖口红和卖电钻的时候都能表现得像个“老江湖”？

很多人觉得，不就是把数据喂给模型吗？用户看了A商品，模型就推B商品。这想法太笼统了。实际上，不同类目的用户行为逻辑，简直是天差地别。你要是用卖快消品的法子去卖大家电，那结果估计惨不忍睹。这就是我们今天要拆解的“类目适配”难题。

第一步：别急着建模，先看懂“人”和“货”的脾气

在动手写代码之前，我们得先像侦探一样，去观察不同类目下的用户行为。这是最基础，也是最容易被忽略的一步。我见过太多团队，拿到数据就直接开始特征工程，结果模型上线后效果平平，就是因为他们没搞懂数据背后的“人话”。

咱们把商品类目大致分成两类来对比，你会发现规律特别明显：

• 高频、低价、冲动型消费（比如零食、日用品、配饰）：这类商品的决策路径非常短。用户可能就是刷着手机，突然看到一包辣条，觉得“诶，有点馋”，下一秒就下单了。他们的浏览行为往往是碎片化的，收藏、加购、比价这些行为相对较少。意图非常直接，就是“我想买个东西解解馋”。
• 低频、高价、理智型消费（比如家电、数码、家具）：这就完全是另一回事了。没人会看到一台冰箱就立刻下单。用户会花几天甚至几周的时间做功课：看评测、比参数、逛论坛、问朋友。在这个过程中，他们会频繁地收藏、加购、反复浏览同一个商品。这里的意图是复杂的，是“我想换个冰箱，但我得确保它性价比最高”。

所以，意图预测的第一步，就是识别用户当前处于哪个“决策阶段”。对于快消品，模型可能更关注用户“此刻”的点击流；而对于耐用品，模型则需要理解用户“长期”的探索过程。如果不区分这一点，模型就会把一个正在货比三家的冰箱买家，误判为一个冲动消费的零食买家，然后给他推一堆无关的优惠券，这不就闹笑话了吗？

数据特征的“翻译”艺术

搞懂了行为差异，接下来就是怎么把这些差异量化，让机器能“听懂”。这就是特征工程的活儿了，我管它叫“翻译艺术”——把人类的复杂行为，翻译成机器能处理的数字。

这里有个常见的误区，就是“一招鲜吃遍天”。比如，不管什么类目，都用“最近30天点击次数”作为核心特征。这在某些类目里可能有效，但在另一些类目里就是噪音。

我们得为不同类目定制“翻译词典”：

1. 时间窗口的魔法

对于美妆护肤类目，用户的复购周期相对固定。比如一瓶精华液大概能用两个月，那么用户在购买后45天左右再次开始浏览同类商品，这个意图就非常强烈了。模型需要捕捉这种周期性意图。但对于手机壳这种东西，用户可能一年才买一次，也可能因为摔了手机当天就买。所以，模型的时间窗口要更灵活，可能更看重“最近7天”的行为。

2. 行为权重的分配

同样是点击，点击一个商品的详情页和点击一个商品的评论区，权重是不一样的。同样是加购，加购一个9.9元的手机支架和加购一个9999元的笔记本电脑，背后的心理活动也完全不同。

我们可以构建一个行为权重矩阵，这个矩阵需要根据类目特性来调整。比如在高客单价的类目里，“查看问答”、“对比相似商品”这类行为的权重就应该调得非常高，因为这代表了用户正在深度研究。而在快消品类目里，“加入购物车”可能就是最高权重的意图信号。

这个表格只是个示意，实际操作中，这些权重需要通过模型训练自动学习，但初始值的设定必须基于对业务的理解。否则，模型可能会学到一些奇怪的规律，比如它发现“点击次数多”和“购买”负相关，但它不明白这是因为用户在反复对比，迟迟下不了决心。

模型结构的“变形金刚”

聊到模型本身，现在主流的CTR/CVR预估模型，比如DeepFM、DIN、BST这些，本质上都是在学习特征之间的交叉关系。但问题又来了，一个在“服装”类目上训练得很好的模型，直接拿去预测“手机”的销量，效果肯定打折扣。为什么？因为特征交叉的模式不一样。

举个例子，在服装类目，“用户身高/体重”和“商品尺码”的交叉是核心；但在手机类目，“用户现有手机品牌”和“新手机品牌”的交叉（比如换机）才是关键。这两个场景下的特征空间和交互逻辑完全不同。

所以，我们不能指望一个模型参数通吃所有类目。业界现在有几种主流的适配思路，我一个个给你拆解：

思路一：领域特定的模型（Domain-Specific Models）

最简单粗暴，也最有效。就是给每个重要的类目（或者几个相似的类目组）单独训练一个模型。比如，我们有“女装模型”、“美妆模型”、“手机模型”。

优点：极致的定制化，模型能完全学到该类目的独特规律，效果通常最好。

缺点：维护成本高到爆炸。每次特征更新，你得重新训练和上线几十个模型。对于长尾类目，数据量不足，模型很容易过拟合。

思路二：多任务学习（Multi-Task Learning, MTL）

这个思路现在非常流行。它的核心思想是，我们设计一个模型，让它同时学习多个任务。比如，一个主干网络学习所有类目的通用规律（这叫“共享参数”），然后在主干网络之上，为每个类目（或几个类目组）分出一个“小脑袋”（这叫“任务特定参数”）。

这样，模型既能学到“用户喜欢点击大图”这种通用知识，也能学到“买口红的用户特别在意色号试色”这种特定知识。

MTL的关键在于如何划分任务。直接按一级类目分可能太粗，按叶子类目分又可能导致某些任务数据稀疏。通常的做法是，根据类目的相似性和用户行为模式，把它们聚合成几个大的“意图域”（Intent Domain）。比如，把所有“厨房用品”归为一个域，把所有“大家电”归为一个域。这样既能保证每个任务的数据量，又能实现一定程度的定制化。

思路三：引入元学习（Meta-Learning）

这个就比较前沿了，有点像“教会模型如何学习”。我们不直接训练模型在某个类目上的参数，而是训练模型获得一种“快速适应新类目”的能力。

想象一下，我们先在数据丰富的类目（比如服装、3C）上训练，让模型见识过各种各样的意图模式。然后，当一个新的、数据很少的类目（比如“园艺工具”）出现时，模型只需要看这个新类目的少量数据，就能迅速调整自己的内部参数，快速“上岗”。

这对于解决长尾类目的冷启动问题特别有帮助。虽然实现起来很复杂，但它代表了未来的一个方向：让算法更智能，而不是更笨重。

评估与迭代：别信指标，信“体感”

模型上线了，怎么知道它好不好用？看A/B测试的指标？对，但不全对。

离线评估指标，比如AUC、LogLoss，只能告诉你模型在数学上拟合得怎么样。但一个在离线数据上AUC高达0.9的模型，上线后可能把推荐流搞得一团糟。为什么？因为它可能学会了“抖机灵”，比如它发现某个用户每次点进“厨具”类目都会买一把“菜刀”，于是就疯狂给他推菜刀，但实际上他只是在做菜谱研究。

所以，除了看指标，我们更要看“业务体感”。这里有几个我常用的“土方法”：

• Bad Case分析：每天抽出100个用户推荐失败的案例，人工去复盘。看看模型到底错在哪了？是没理解用户意图，还是商品本身有问题？这个过程虽然慢，但能最直观地告诉你模型的短板。
• 意图覆盖率：我们希望模型能覆盖用户的各种潜在意图，而不是只盯着用户已经表现出来的意图。比如，一个用户最近在看“跑步鞋”，模型除了推其他跑步鞋，能不能也推一些“运动袜”、“运动耳机”？这考验的是模型泛化和联想的能力。
• 类目间的“和谐”：推荐流不能只推某个爆款类目。一个健康的推荐流，应该能引导用户探索更多可能性。如果模型发现某个用户对A类目感兴趣，就疯狂推荐A类目，这其实是一种“信息茧房”，长期来看会伤害用户体验。我们需要在模型中加入一些“多样性”惩罚机制。

迭代的过程，就是不断重复“观察行为 -> 调整特征 -> 训练模型 -> 上线测试 -> 分析Bad Case”这个循环。没有一劳永逸的模型，只有不断学习和进化的系统。

最后的碎碎念

聊了这么多，其实核心就一句话：永远不要脱离业务场景去谈算法模型。

购物意图预测，本质上不是在预测一个数字，而是在理解一个活生生的人，在特定场景下的特定需求。他可能是在为周末的聚会挑选零食，也可能是在为新家添置家电。这两种意图，天差地别。

所以，下次当你面对一个新类目时，别急着去调参。先放下键盘，像个真正的用户一样，去逛逛这个类目，看看大家都在关心什么，聊聊他们为什么买，又为什么放弃。当你真正理解了这些，你的模型才能真正“活”起来，才能在冰冷的数据背后，找到那一点点人性的温度。

这活儿，急不得，也骗不了人。