Timing-Aware Repurchase Prediction for Web-Scale E-Commerce: Survival Models for Multi-Surface Grocery Recommendation
时间感知复购预测：面向多渠道电商的生存模型
🧭 生存分析复购预测 · 多时间面排序 ★ 深度解读
Walmart Global Tech
用单个加速失效时间模型替代多时间窗口复购预测的多个二分类器，在提升排序的同时降低约3倍算力
📌 工作参考价值（4 点）
- 多 horizon 的复购/重购买 surface，可以直接把每个 horizon 的二分类器换成一个 XGBoost survival:aft，排序用 -exp(leaf value) 或预测的 time-to-repurchase，保持原特征与推理管线不变；训练/服务成本约降 3×，离线各 horizon 不降。
- 经验 hazard 显示 shape k≈0.9（略递减），不要默认“越 overdue 越可能买”；排序面用 Log-Normal，概率消费面用 Exponential/Weibull k=1，再用 4 参数共享斜率+分段截距校准，保证跨 horizon 单调性零违例，ECE 可低至 1e-4 量级。
- 右删失样本（未复购）必须保留，尤其长周期用户；删除大 lapsed 的 censored 样本会导致长周期买家排序崩坏，正则化也救不回。
- 生存目标会重塑特征重要性：渠道节奏、最近性、缺货/部分履约信号上升，总频次类特征下跌；可据此做特征裁剪，或构造 IPI-lapse residual、interval-relative features 这类 timing gap 特征。