蘑菇街这几年直播流量优化总结

蘑菇街从16年开始做电商直播，一开始公司内部也没有多少人看好，打开直播会感觉像逛夜市，挺热闹挺有趣的。没有太多人当回事情，我那个时候也没有太在意，组里只有一位同学在支持那边，简单做了个模型在线上跑着，后面由于业务发展特别快，同学也主要在支持业务上了。到了18年我们商城全面wide&deep化后，才开始投入更多的人力。

电商直播对比商城的业务特点

蘑菇街主播直播间的每天上新量非常大，大部分的商品在上新之前都没有任何的历史表现数据，且每个款式过的非常快，传统模型中常用的ID类特征变的不太适用了；

用户意图的问题

蘑菇街的直播，主播和粉丝直接的黏性非常高，不仅仅是卖货，我们调研过很多用户，会把直播间开着当背景音乐，就是想听听主播的声音，非常情感化。

这个问题特别好理解，全网都能看到直播马太的问题。这个就导致如果纯看一些效率指标，把几个top主播排好就行了，空间很小。因此，有些公司刚做这个业务，特别是做电商直播，大主播太少的时候，并不建议上什么机器学习模型，人工排都是可以的。

时间段的问题

新人承接问题

因此，一个新用户点击的前几个直播间、如何在人和货直接平衡一些就特别重要；

重点策略

由于马太、时段、用户意图等各种原因，直播样本的bias特别大，因此第一优先级是如何有效的清洗样本，去bias。举例来讲，构建一些简单的统计特征，会发现在样本分布中非常的不均匀，如果简单用等距分桶，区分性很差。

ID类特征的处理

单纯的频次过滤在这个场景没有那么有效，针对不同级别的id，截断策略要有所不同，交叉策略也要有所不同；

loss和特征中增加先验约束

一些重要特殊通过loss约束可以做到单调：

由于直播是公司目前最核心的业务，涉及的面相对比较广，很多技术细节也不方便展开。我们实践的效果是，在初期的时候，停留时长和gmv有明显的提升，但在模型多个迭代中，GMV收益相对于商城比较难以拿到，而在流量结构改善、ctr、停留时长等用户体验指标上有更好的收益。

必须在指出，相对于其他业务，目前的个性化技术在电商直播业务在挑战还是比较大的，产出也相对更难。我们受限于自身技术实力，还有很多想做的事情没有很好的落地，继续努力中，与各位共勉。