需求详情：产品特征库--推荐老品/新品应用（P0） (zhcxkj.com)

一、背景

背景：利用外部产品特征库，进行趋势分析，积累趋势模型。

目的：升级智能选品模型。

流程：外部产品特征库--》趋势模型--》特征匹配产品（新品ASIN，老品SKU）

释义：利用NeuralProphet模型将产品库特征，某些特征进行趋势分析，如类目-大家电按日期（周或月）进行关键指标（搜索排名，点击共享，转化共享）预测 。

--https://neuralprophet.com/

数据源：1、外部关键词特征库。2、外部标题特征库。

应用范围：1、新品提报。2、老品推荐。

执行计划：

1、数据源：产品特征库11月17号上线。

2、人员准备：需协调一名开发进行模型开发（梁炬）。

3、模型开发确定周期：10天（2周）

4、效果验证：拿一个或多个热销类目进行趋势分析，匹配产品（新品ASIN，老品SKU）。

公司热销类目：节日用品

花园用品

厨房和餐厅用品

家居装饰

健康

办公用品

手工用品

二、需求说明

2.1、建立NeuralProphet模型

1、操作位置：智能选品-NeuralProphet模型

2、释义：NeuralProphet是一个基于PyTorch实现的用户友好型时间序列预测工具，延续了2018年Facebook开源预测工具Prophet的主要功能，主要用于时序数据分析。NeuralProphet是在一个完全模块化的架构中开发的，这使得它可以在未来添加额外组件，可扩展性很强。项目意在保留Prophet的原始特性，如Classic AR模型可解释性、可配置性，并使用了PyTorch后端进行优化，如Gradient Descent，另外还引入了AR-Net建模时间序列自相关、自定义损失和指标、具有前馈神经网络的可配置非线性层等特性。

3、参考资料：https://zhuanlan.zhihu.com/p/458061787

4、训练数据来源：1、ABA周度数据-ASIN标题产品特征库。2、ABA周度数据-ASIN标题产品特征库。3、ABA周度数据

5、训练数据格式：特征字段-类目(公司热销类目：节日用品,花园用品,厨房和餐厅用品,家居装饰,健康,办公用品,手工用品)。

--也可以是其他特征字段，目前暂定类目字段。

--类目特征词与公司热销类目映射：需特征库数据输出类目特征词，先对特征词进行统计，再与业务（产品开发，亚马逊销售）进行确定得出。

6、流程图：输入类目（如：节日用品）--》NeuralProphet模型 --》记录训练模型--》按周/月推荐特征类目（节日用品）--》特征匹配ASIN--》推荐老品/新品--》自动刊登/产品开发。

7、训练方式：针对具体特征字段-类目（比如：节日用品）按月对未来1-2个月内关键指标类目出现频次（其他指标：排名，点击率共享，转化共享）进行预测，并记录训练模型；根据训练模型推荐出特征字段-类目趋势，若特征字段-类目（如：节日用品）显示对应节日产品（比如，圣诞，元旦产品）对未来1-2个月内出现的类目出现频次，则 通过具体类目特征 匹配对应的ASIN推荐老品/新品。

8、输出数据：特征字段+未来1-2个月周度指标趋势（类目出现频次，排名，点击率共享，转化共享）+未来1-2个月月度指标趋势（类目出现频次，排名，点击率共享，转化共享）。

注：技术方面开发找黄金龙协助处理。

2.2、高频类目特征词选品（特征匹配ASIN，推荐老品/新品）

1、背景：使用方案一，高频类目特征词选品。

2、操作位置：智能选品-新选品模型

3、特征匹配ASIN逻辑：高频次类目词库所属（ASIN+关键词）--》过滤公司高频类目词--》过滤敏感词--》推送老品/新品。

--高频类目特征词：以当前推送时间统计未来1-2个月的类目特征词出现的频次；从高到低选取取3w个（ASIN+英文关键词）。

未来1-2个月频次数据来源：NeuralProphet模型

--公司高频类目词：统计公司高频类目特征库（来源：SKU产品词库--1688标题，戴宝山），类目频次从高到低，统计60%的类目词为公司高频类目词。

2.3、高频类目特征词选品对接现有的选品逻辑

1、匹配老品逻辑：通过类目特征词-----》匹配ABA-ASIN----》ABA-最新一周关键词----》对接已有选品流程。

2、对接已有选品流程：1、对接智能选品--关键词提报队列，按现有的提报流程进行处理。2、周二统一提报到ERP新品提报。

--功能涉及页面：1、关键词提报队列--关键词提报队列。2、老品关键词。3、新品关键词。4、ERP-销售提报。5、老品对接自动刊登。

--注：涉及功能均需要验证是否有数据进入。