Google新的演算法可以預知用戶買東西退貨機率高不高，以便讓他多出點運費

Google 和印度電子商務公司 Myntra Designs 研究人員在 Arxiv.org 上發表的一篇新論文中提出了一種新型深度神經網路——可以在顧客下單前預測其退貨可能性。

他們使用了一個機器學習模型，對購物者的偏好、體型、產品視圖等資料集進行訓練。採用了基於矩陣分解 (MF) 的 BPR 模型對購物車中相似的產品進行檢測，以獲得用戶的品味和產品的潛在隱藏特徵訊息。

在零售中，大部分的退貨問題都是由於尺寸不合身導致的。所以在模型中，研究人員使用了基於 skip-gram 的模型創造了用戶的分級向量。再使用這些向量的工程特性提出了一種混合雙模型的方法。首先在購物車裡預測買家的退貨概率，然後再針對單個產品預測其退貨機率。

▲ 圖片來源：LinkedIn

用於預測退貨概率的模型早前都接受了一組資料的訓練，這些資料至少包含了產品、購物車和用戶三個類別的樣本，產品資料包括品牌、產品年齡等具體訊息，購物車包括了購物車大小（商品多少）、訂單日期和時間等訊息，用戶的具體訊息則包括送貨城市、訂單數量、付款模式和購買頻率等。

那麼這個模型的表現如何呢？在評價之前，我們需要略微瞭解一下用於二分類模型的評價的 AUC 值，它是衡量學習器優劣的一種性能指標。

最初模型為僅使用基本用戶和產品可觀察的特性創造的基線梯度增強分類器，AUC 值為 71.6%。在研究人員引入廣泛的特徵工程改進了這一基線模型後，模型 AUC 值再度提高了 8%。而透過使用業務流程重組學習的產品嵌入，AUC 值又增加了 1.8%，達到了 81.4%。

為進一步提高精度，使用 skip-gram word2vec 模型學習的個性化的尺寸矢量也在此階段加入，AUC 值再度提高了 2% 左右的精度。最終，該模型的 AUC 值優於以往的所有模型，精度分別提高到了 83.2% 和 74%。

▲ 各模型 ROC 曲線比較，深度神經網路達到曲線下面積最大。

整個模型的預測是即時發生的，這也意味著零售商隨時可以因用戶過高的退貨概率而先發制人。這其中包括：

能夠提前預測用戶退貨的機率將會影響零售業的許多領域，如客戶體驗、供應鏈管理、呼叫中心需求、庫存和客戶服務等。有調查顯示，有三分之一的電子商務要面對退換貨的問題。

退貨已經吞噬了電子零售商的大部分利潤。而現在，演算法正試圖解決這個問題。