首页弹窗场景的用户画像算法优化实践

汽车之家作为汽车行业的一站式生态平台，为用户提供看车、选车、买车、用车等全方位的服务。在用户的汽车消费过程中，买车是最核心的需求之一。为了更便捷地满足用户的买车需求，之家首页弹窗功能采用精准定向技术，针对存在买车意愿的用户，推送符合其购买意向的车系信息，一方面提升了之家平台从流量到线索的转化率，另一方面缩短了用户从产生购车意向到完成交易的行为路径，实现平台与用户的双赢。

在首页弹窗场景要解决的核心问题主要是三个方面：1）如何精准识别处于购车阶段的用户群体，2）如何准确判断用户对哪些车系有购买意愿，3）在1和2的基础上哪些用户有意愿通过平台寻求更优惠的购买渠道，这是一个典型的车系推荐问题，但又有别于传统的推荐场景，通常的推荐场景会通过用户的访问和的点展行为识别出其可能感兴趣的车系，但往往还需要更充分和更深度的用户画像信息才能确认用户是否处于买车阶段，以及用户是否意图通过平台的经销商寻求交易途径，这些信息都依赖于画像团队对之家用户构建的全方位多维度的画像体系。

在弹窗场景人群精准定位的持续优化过程中，我们充分利用了画像团队沉淀的技术优势，串联起用户在整个平台的搜索、推荐以及商业化等各个方面的行为来进行迁移学习和精准定向，并结合弹窗业务的目标人群和场景特点进行针对性的算法升级和优化，有效提升了线索转化效率和用户体验。

首页弹窗场景示例

   在特征方面我们使用的特征主要包括用户维度、车系维度、用户和车系的交叉特征、统计特征及序列特征。其中用户维度特征充分利用了画像团队积累的标签体系，除了用户本身的人口属性特征和设备终端这些场景特征，还包括用户在之家的生命周期阶段、用户的访问活跃程度、用户对不同资源类型、一二级栏目、车型车系等方面的行为偏好，以及画像体系构建的用户留资意愿、购买意愿、看买用汽车偏好等丰富的用户行为标签。在用户和车系的交叉特征方面，为了进一步完善对买车意愿用户的行为描述，我们模拟用户访问之家的行为路径，抽取有购车意向用户的典型行为并显式地构建交叉组合特征补充到模型。

为了提升模型的泛化性，我们基于用户对车系的点展行为对车系进行预训练和聚类来学习车系的内在的差异和联系，并作为先验知识加入模型。为了提升预估的精准度，除了通常的分类和序列特征，我们还基于车系及用户不同周期的表现构造聚合特征来刻画车系本身的信息及用户的长短期偏好信息。在特征的融合方式上，我们将重要特征加到模型上层来强化这些特征的作用，同时引入不同的特征交叉方式及结合注意力机制来提取用户行为和车系关联关系中重要且有效的行为模式。

在模型优化方面，一期使用经典的deepfm结构，其中 wide部分通过fm自动学习交叉特征，deep部分通过深度网络提取高阶特征，二期我们在wide侧融合fm、dcn、fibnet等不同的交叉模式并联的网络结构，充分利用不同结构的特征交叉优势，并引入attention机制提取有效特征。考虑到不同用户群体行为模式的差异性，为了进行更精细的用户分群优化，三期通过lhuc模块融合强bias特征来学习不同用户的个性化网络参数，进而提升模型的预估能力。

除了技术维度的优化，我们同时结合弹窗的业务场景对模型进行深度定制，在之家的使用场景中，除了首页弹窗场景，用户还可以通过车型车系等其他栏目询价和留线索，这些行为对弹窗场景的预估有借鉴意义但又不适合直接作为弹窗样本，因此我们通过增加辅助loss的方式学习用户的留资意愿进行信息迁移。在模型的具体应用中，线上会结合业务目标和人群表现调整流量分配，算法端也会同步结合业务目标对模型准召进行微调，比如当线索量充足时会对转化效率有更高的要求，我们通过调整正负样本的loss来关注预估分高且分错的负样本进而提高线索预估准确率。

在弹窗场景的实际业务应用中，我们还会结合弹窗策略的优化来提升效果，比如在车系召回中，我们通过时间衰减控制来优先召回用户实时偏好的车系，同时结合用户画像维度的相关指标筛选掉与用户预算相差过大的车系，另外也会结合用户的访问情况调整弹窗频率。

首页弹窗场景在以用户为中心的产品设计和用户差异化运营的基础上，结合业务场景进行一系列算法优化，从粗放式的人群随机投放到以用户购车意向度为核心的人群精准定向，大幅提升流量商业变现效率，CVR相对提升355%。

首页弹窗场景有效地缩短了用户的转化路径，但弹窗形式可能对部分弹窗敏感用户形成干扰进而影响用户体验，因此我们考虑通过uplift模型识别弹窗产品形式对用户留存的归因影响。同时弹窗场景作为用户在之家留资的重要环节，在未来策略优化中也会进一步利用画像团队在用户场景维度的技术沉淀，结合用户在其他的场景的留资和活动参与行为来共同优化用户体验的协同性和一致性。

作者简介

余婷婷

■ 数据平台部-数据应用团队

■ 主要负责汽车之家用户画像相关的算法优化