面向 Web 规模电商的时序感知复购预测：用于多场景杂货推荐的生存模型

电商中的复购推荐通常被表述为一个二分类问题，即“该客户是否会在 W 天内购买该商品”，这种表述需要针对每个关注的时间跨度分别训练一个模型。我们用生存模型取代这一堆叠式方案，直接预测复购时间，并在某大型杂货电商平台上、超过三十种消融配置下，对数百万客户进行了评估。我们的研究有三点贡献。第一，经验性风险率分析揭示出一个略微递减的边际风险率（k ~ 0.9），这与常见直觉不同：即杂货商品距离上次购买时间越长，就越可能被再次购买（递增风险率，k > 1）。Log-Normal 取得了最佳的边际拟合（R^2 = 0.998）和最佳排序表现，尽管 Weibull 在条件残差拟合上最好，这一表面矛盾我们进行了详细分析。第二，一个单一的加速失效时间（AFT）模型取代了三个按时间跨度分别训练的二分类器，在其各自的时间跨度上实现了与它们相当或更优的效果，同时总树数约减少 3 倍。特征重要性在生存目标下重新排序：渠道节奏和近期性信号上升，而聚合频次计数下降。第三，一个具有 4 个参数的参数化校准方法将原始生存 CDF 映射为按时间跨度的概率，并且跨时间跨度单调性违例为零。校准质量在 AFT 家族内相差一个数量级：Exponential AFT（Weibull k=1）达到约 1e-4 的期望校准误差（ECE），比 Log-Normal 低大约 10 倍，而排序指标在相对意义上相差仅 0.3%。我们为需要概率的场景采用 Exponential AFT，为纯排序场景采用 Log-Normal，从而在单一 AFT 家族内部揭示出一个有原则的校准—排序权衡。