企业官网建设流程全解析

engagement-predictor是一个基于 scikit-learnRidge回归的互动率预测模型，用于预测品牌-达人营销内容的engagement_score。它的完整特征 schema 由 config.json 中的feature_columns精确定义——59 个输入特征，分属品牌、投放 brief、内容执行三个层级。本文带你逐组拆解：这 59 个特征分别是什么、为什么这样设计、以及它们如何最终汇入一个回归方程。

一、项目速览：模型要预测什么

• 预测目标：engagement_score = (likes + comments + shares) / views，即互动率
• 模型形态：Pipeline（OneHotEncoder+StandardScaler+Ridge），alpha 经GroupKFold（按brief_id分组）网格搜索选出，最终为10.0
• 模型文件：engagement_ridge.skops（使用skops.io.dump序列化，比裸 pickle 更安全）
• 训练数据：30 个品牌、300 条 brief、2000 条内容行的合成数据集，分别存放在 dataset/brands.csv、dataset/briefs.csv、dataset/contents.csv

⚠️ 注意：训练数据为合成 POC 数据（详见 README.md），指标刻画的是模型对编码关系的还原能力，不代表真实投放效果。

二、59 个特征全景：3 个层级速览

按特征名前缀，59 列可划分为三大块：

特征顺序在 config.json 中严格固定，推理时 DataFrame 的列必须与之对齐。

三、品牌级特征（3 个）

品牌级特征只有 3 个，但brand_avg_campaign_engagement_score非常关键——它告诉模型"这个品牌的粉丝互动基线是高是低"，模型可以在此基础上叠加其他调整。

四、投放级特征（42 个）：模型里最大的一族

这一族全部来自 brief（投放要求文档，通常由上游 LLM 解析提取），分为三类：

1. 单值类别特征（1 个）

• brief_required_hook_type：要求的"钩子"类型，数据集中共 6 种——daily_routine（日常，62 次）、before_after（前后对比，59 次）、tutorial（52 次）、unboxing（开箱，46 次）、problem_solution（42 次）、transformation（39 次）

2. 多值类别特征 → 多热编码（31 列）

一个 brief 往往允许多个取值（如 tone 为 "energetic,fun"），因此每个候选值拆成一列 0/1 标志：

这种多热（multi-hot）编码是特征 schema 中最常见的设计：12 + 4 + 4 + 2 + 4 + 5 = 31列，任意组合都能表达，且 Ridge 可以为每个取值单独学一个权重。

3. 数值约束特征（10 个）

_span、_min/_max这类派生字段值得注意：模型既能感知"年龄 18-38"这种具体区间，也能感知"跨度 20 岁"这个区间宽窄本身。

五、内容级特征（14 个）：执行细节与工程巧思

其中两个工程细节尤其值得学习：

• 周期编码：upload_hour直接用数值会让模型认为 23 点与 1 点"相距 22"，而sin/cos编码让它们在空间上紧邻，23 点 → 0 点 → 1 点的连续性得以保留
• 合规标志：content_hashtag_compliance、content_mention_compliance把"brief 要求"与"实际执行"连接起来——同样的 brief 要求下，执行到位与否会产生可区分的信号

六、特征如何进入模型：Pipeline 一图流

59 列特征 DataFrame ├─ OneHotEncoder → 处理单值类别（brand_industry、hook_type、upload_day） ├─ StandardScaler → 缩放数值列与多热列 └─ Ridge (alpha=10) → 输出互动率预测值

• 多热列本身已是 0/1，交给StandardScaler统一缩放即可，无需再做 one-hot
• alpha 通过GroupKFold（按brief_id分组）网格搜索，避免同一条 brief 的内容泄漏到验证折，评估真正反映对"新 brief"的泛化能力
• 交叉验证指标：cv_mae ≈ 0.0114、cv_rmse ≈ 0.0146、cv_r2 ≈ 0.71；而均值预测基线的 MAE 约 0.0215——模型将 MAE 降低了约 47%（完整数值见 README.md 与 config.json 的training_metrics）

七、加载与推理：列名顺序就是契约

import skops.io as sio path = "engagement_ridge.skops" # 或从模型仓库下载 model = sio.load(path) # skops 序列化，比 pickle 安全 # X 的列必须与 config.json -> feature_columns 完全一致 prediction = model.predict(X)

依赖版本固定在 requirements.txt：scikit-learn==1.7.2、skops==0.14.0、numpy==1.26.4、pandas==2.3.3。该模型在 Viralst 应用中通过POST /engagement/predict端点对外提供服务。

八、使用与局限性提醒

• 上游质量决定模型质量：brief 特征依赖上游 LLM 从文档中提取，若提取缺漏，预测质量会随之下降
• 合成数据的边界：当前指标描述的是对合成关系的还原度，尚未在真实品牌投放数据上验证
• 行业覆盖：训练集仅 3 个行业 × 10 品牌，外推到新行业时应保持谨慎

总结

engagement-predictor 的特征 schema 是一份教科书级的特征工程设计清单：

1. 三层结构（brand / brief / content）对应营销投放的真实决策链路
2. 31 列多热编码优雅表达了"一个字段多个取值"的现实
3. 周期编码、跨度派生、合规标志展示了数值特征的经典技巧
4. Ridge + GroupKFold保证了正则化稳健与评估无泄漏

想动手验证？直接克隆仓库后加载 engagement_ridge.skops，用 dataset/ 中的 CSV 拼出 59 列 DataFrame，即可跑通完整推理链路 🚀