《隐马尔可夫维特比解码、浏览点击序列反推客户隐藏决策阶段与出手时机母典》各章定量结论
网店客服常凭访客最后一次点击判断她走到了哪一步,并据此决定要不要附上报价。本书证伪这条常识:客户的决策阶段看不见,每一次点击只是它的模糊投影;把整条点击序列放进隐马尔可夫模型,用前向滤波推断此刻的阶段,判断更准,而准多少可以算出来。核对拉宾纳 1989 年的教程后,本书修正了立项蓝图:教程给出算法与两种最优准则,没有测量客户阶段的准确率;判断「此刻」应当用前向滤波,而不是维特比路径的最后一格。书中阶段、页面类型与全部概率均为示意;全部计算由书中程序生成;本书是非个人化经营建议,只使用站内匿名化与客户同意的数据,不跨站追踪,不推断敏感属性,阶段解码不用于施压、差别定价或主动联系客户,紧迫感只来自真实库存与真实截止。
DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-300 · English version
- 第 1 章 · 最后一次点击的错觉:整条序列与单点判别的准确率
只看最后一次点击判断客户阶段,在示意参数下四分类错误率是 0.5180,就绪判别准确率 0.6990。用整条序列的前向滤波,四分类准确率提高 0.0410,就绪判别提高到 0.7630;提高的幅度取决于阶段黏性与页面区分力,在 p12 的扫描里从 0.0307 到 0.1187。维特比路径的最后一格并不总是更好,页面模糊时反而低 0.1007。拉宾纳的教程区分了「当前最可能的状态」与「最可能的整条路径」两个问题,本书接下来两章分别展开… - 第 2 章 · 维特比格子:对数域动态规划、回溯与下溢
第二章在格子图上展开维特比,说明直接相乘约在第 368 次点击下溢,最优路径只占全部概率的 0.0357。 - 第 3 章 · 前向后向:后验边际、最优路径与「再等两次点击」
第三章讲前向后向与两种最优准则,晚两次点击判断可多得 0.0413 的准确率。 - 第 4 章 · Baum–Welch:从没有标签的点击流里估计参数
第四章用 Baum–Welch 从无标签点击流估计参数,十个随机起点的解码准确率从 0.3877 到 0.5181。 - 第 5 章 · 可辨识性与标签切换:点击流说不清的东西
第五章讨论标签切换、阶段个数与弱可辨识:按访问中平均位置命名阶段的准确率 0.4477,接近真标签的 0.4623;页面模糊时点击只保留 0.022 的信息。 - 第 6 章 · 出手时机:发问即证据、成本门槛与校准
第六章给出出手时机:不先开口、问价必答、同价、紧迫感只来自真实,回答其他问题时按校准后验与代价门槛决定是否附报价,把发问本身算作证据后每千次发问代价 318.3,只用点击是 345.0;用错参数时过早报价从 0.0684 翻到 0.1449。 - 第 7 章 · 东西方原典考辨:马尔可夫的《奥涅金》字母链与《鬼谷子·揣篇》
第七章考辨马尔可夫 1913 年的《奥涅金》字母链(平稳元音比例 0.4319)与《鬼谷子·揣篇》(一次点击只携带 0.2680 比特)。 - 第 8 章 · 实证闭环:周度阶段复盘、客户阶段解码器与预注册检验
第八章给出周度复盘流程、客户阶段解码器与预注册检验:检验一需要 372 次有自报阶段的访问,检验二每组 5301 次对话。书中以标注框区分已发表的证据、可运行的 Python 计算(18 段程序)、原典与作者的假说。
模型示意算例,非实时报价