----------------------------------------------------------------------------------------
问1：基于成本定价是怎么做的？
答1：1）背景：有些订单耗时长，成本高，但收取配送费少，配送这些订单是亏本的，这是不合理的。
2）方案思路：主要是在高峰时段、低收入、高成本订单加配送费，一方面，减少其单量，调整订单分布；另一方面，增加其配送费收入
3）具体方案：通过各种数据分析挖掘，定义一系列规则，通过仿真系统确定各规则权重，生成成本定义，从而在忙时对低客单价订单加价
4）效果：单均配送距离减少20米，单量稳定，收入提升0.2元
5）这个项目中算法层面较少，主要是业务理解、业务建模
问2：难度定价有哪些地方可以用算法发挥价值？
答2：1）实时订单难度的计算上，取餐时长、交付时长都是使用的历史统计值，其实可以考虑进行回归预测
2）距离直接进行的规则定义，更好的方式是预测出耗时，然后所有单位都是分钟，就不用进行归一化，也不用进行参数权重设置
----------------------------------------------------------------------------------------
问1：关键词提取是怎么做的？
答1：1）背景：属于非结构化数据进行结构化处理；一个功能是替换编辑人工打标签，一方面工作量大；另一方面随意性比较强。另一个功能支持聚合阅读
2）方案思路：topic主题词抽取（lda）、词位置信息的关键词抽取（KE），然后通过一些策略共选取5个关键词
3）具体方案：首先，过滤掉停用词 其次，根据三级策略进行提取。第一级策略是：主题词+标题中的词取交际；第二级策略是：KE+标题中的词；第三级策略是：主题词
4）我这边主要负责主题词抽取，详细过程：分词、特征选择、lda模型训练、主题词抽取
4）分词：直接使用微博的分词工具，调用接口
5）特征选择：浅度特征选择和深度特征选择
6）lda模型训练：吉布斯采样
问2：特征选择的常用方法有哪些？
答2：信息增益、卡方、基尼系数、信息增益率
问3：信息增益的公式是什么？
答3：IG(T)=H(C)-H(C|T)
H(C)=-∑p(Ci)log(p(Ci))
H(C|T)=∑p(Ti)H(Ci|Ti)
信息增益越大，特征相关性越大
问4：卡方的公式是什么？
答4：D=D11+D12+D21+D22
D11=(A-E11)^2/E11
E11=(A+C)((A+B)/N)
x^2=(AD-BC)^2/((A+B)(A+C)(B+D)(C+D))
≈(AD-BC)^2/((A+B)(C+D))
卡方值越大，特征相关性越大
属于类C 不属于类C
包含特征 A B
不包含特征 C D
问5：基尼系数的公式是什么？
答5：G(D)=1-∑pi^2
G(D|T)=(|D1|/|D|)*G(D1)+(|D2|/|D|)*G(D2)
△G(D)=G(D)-G(D|T)
基尼系数增长越大，特征相关性越大
当T包含多个值时，选取G(D|T)最小的值为分裂后的基尼系数
问6：LDA生成一个文档的过程是什么样的？
答6：1）根据预料级参数α，生成文档d的主题分布Θ_d~p(Θ|α)
2）对于文档d中每个位置i对应的单词，按如下方式生成
2.1）根据主题分布Θ_d，按概率生成该位置i的主题z_i~p(z|Θ_d)
2.2）根据主题z_i和语料级参数β，按概率生成该位置i的词w_i~p(z|z_i,β)
3）生成一篇文档联合概率为：p(Θ,Z,W|α,β)=p(Θ|α)*∏p(z_i|Θ)*p(w_i|z_i,β)
答7：1）随机初始化：对文档中每个词w，随机分配topic编号z
2）重新扫描语料库，对每个词w按照吉布斯采样公式，按照概率生成新的topic，在语料中进行更新
3）重复以上采样过程，直到吉布斯采样收敛
4）统计语料库的topic-word共现频率矩阵，该矩阵就是LDA的模型
问8：LDA怎样使用吉布斯采样进行模型预测？
答8：1）随机初始化：对文档中每个词w，随机分配topic编号z
2）重新扫描语料库，对每个词w按照吉布斯采样公式，按照概率生成新的topic，在语料中进行更新
3）重复以上采样过程，直到吉布斯采样收敛
4）统计文档的topic分布
5）注：模型与测试topic-word共现频率矩阵不更新
问9：LDA中吉布斯采样公式是什么？
答9：1）参数α为向量，对应每个topic的值为α_k
2）参数β为向量，对应每个词的值为β_t
3）忽略第m篇文档中第i个单词，文档m属于主题k的频次n_m_k定义为：文档中主题k的单词的个数（不包括第i个单词）
4）忽略第m篇文档中第i个单词，主题k下词t的频次n_k_t定义为：主题k下所有文档中词t的个数（不包括文档m中第i个词）
5）第m篇文档，第i个单词，属于主题k的概率如下：p(z=k|d=m,t=i)∝((n_m_k+α_k)/∑_k(n_m_k+α_k))*((n_k_t+β_t)/∑_t(n_k_t+β_t))
----------------------------------------------------------------------------------------
问1：看了还看是怎么推荐的？
答1：1）背景：之前新浪新闻有基于热度的热点推荐、基于用户的个性化推荐；但这些都不是针对用户的当前兴趣点。看了还看，主要是推荐当前浏览页面相关的其他页面。
2）方案思路：被同一个用户点击的新闻具有相似性，从用户行为角度定义新闻相似性
3）具体方案：数据过滤：对访问频次低于10次的url过滤，url数量减少到原来1/10
2）推荐产生：关联规则计算置信度
3）模型优化：关联规则容易进行热门推荐，使用jaccard相似度代替置信度进行推荐
4）新点击数据10分钟拉取一次，模型每小时进行增量更新，兜底方案是使用前一天的推荐结果
5）有点遗憾的是没有针对内容相似性做一些推荐
答2：∑(xi-x')(y-y')/sqrt(∑(xi-x')^2)sqrt(∑(yi-y')^2)
问3：欧式距离的公式是什么？
答3：sqrt(∑(xi-yi)^2)
问1：先知项目是怎么做的？
答1：1）背景：在京东呼叫中⼼心,客户打通电话后,必须按相应数字键,会由匹配的POP客服或⾃自营客服对此客户进⾏行服务。⼀一⽅方⾯面操作繁琐,⽤用户体验差;另⼀一⽅方⾯面会有⼤大量的⽤用户选
2）方案思路：据⽤用户的历史行为数据,预测⽤用户咨询问题类型,加⼊入智能IVR系统
3）具体方案：定义单一规则，使用决策树进行规则选择及组合，使用bagging思路得到最优模型，每天进行一次特征更新
4）效果：模型⽇日均预测话务请求覆盖率70%,准确率90%
问1：恶意经销商模型是怎么做的？
答1：1）背景： 在618、双11、国庆、元旦等重要节⽇日,电商会进⾏大量的促销活动。⼀方⾯吸引⼤大量正常⽤用户购买;但另⼀方⾯大量经销商也在等待这个时机,进⾏行补货,经销商购买商品越多,电商损失越⼤大。
2）策略思路：建立黑名单，进行订单拦截、降低优惠券中奖概率等
3）具体方案：通过case分析和场景分析，识别出【候选恶意抢购商品】，在此基础上定义大单抢购场景和拆单抢购场景，从而识别经销商账号
4）效果：经销商拆单抢购⽉月均识别经销商数为5w+;经销商⼤大单抢购共识别恶意经销商600+。
问1：单量预测模型怎么演进的？
答1：1）背景：对低敏感度的用户加配送费（单量损失少），对高敏感度的用户减配送费（单量增加多），在保证收入的前提下，提高单量
2）具体这个模型构建其实经理了3个阶段
2.1）第一个阶段，预测目标是每个配送区每天的单量，使用特征包括配送区优惠力度，是否工作日，使用的算法是线性回归。每个配送区一个模型
2.2）第二个阶段，预测目标是每个配送区每天的单量，使用特征为历史1天、3天、7天、15天单量，配送费，uv，优惠力度，使用算法为随机森林，线性回归。多个配送区一个模型。
2.3）第三个阶段，预测目标是单量变化比例，使用特征为配送费变化，uv变化，优惠力度变化，使用算法是半对数模型。每个城市一个模型，相似城市公用一个模型。
3）效果：MAE在5%左右，无偏
问2：以上三个模型有什么区别？
答2：1）模型3是最终使用的模型，模型1和模型2在我们的场景下无法使用
2）首先，模型1来说，前期预测效果不错，后期预测效果变坏。原因是：
2.1）前期单量近似线性增长，优惠力度也程线性增长，两者间呈线性关系，我们用线性模型拟合，效果好
2.2）后期单量仍然存在自然的线性增长，优惠力度不增长，甚至某些区域出现下降，两者间不存在线性关系，所以拟合效果不好
2.3）所以前期其实是伪线性关系，被学习到了；而随着业务变化，这种伪线性关系不存在
3）其次，对于模型1来说，还存在一个问题，配送费对单量的影响很小
3.1）在整个优惠力度的角度来看，配送费加减一块钱对其影响很小
3.2）对于用户来说，配送费增加一块钱很敏感，但菜品增加一块钱很可能都无感
3.3）由于上述两点，所以配送费通过优惠力度来预测单量，体现不出配送费的真实影响力，所以需要把配送费单独作为一个特征
4）对于模型2，预测效果是可以的，但配送费的权重很低，对单量影响很小
4.1）我们的场景来说，即使绝对的单量预测特别准，也没法用；我们更关注配送费对单量的影响
4.2）原因是：历史单量是由竞对、优惠力度、配送费、服务、商家质量等多种因素综合决定的，权重会很大；配送费作为单量某一侧面的反应被综合特征替换掉了
4.3）模型使用随机森林，所以特征方面没有进行很多特征选择
5）模型3是我们最终使用的模型
5.1）它的核心是使用配送费明显变化前后各一周的数据进行建模
5.2）这样，对于每一个配送区来说，由于在极短时间内，竞对、市占、商家供给、服务等影响单量的特征不会突变，
5.3）对于单量变化来说，可以认为这些特征是一个常数；对于单量来说，是很重要的特征
5.4）uv、配送费、优惠力度是变的，其他的是衡量
问3：模型怎么评估的？
答3：1）模型指标：R^2，F值，t值
2）测试集上进行测试：cross validation。虽然更经常是用于超参数的选择，但这里是进行模型评估。ME、MAE、MSE、RMSE
3）abtest线上测试：能够保证只有配送费的差异
问4：R^2，F值，t值，ME、MAE、MSE、RMSE定义分别是什么？
答4：1）R^2：模型对观测值的拟合程度，在0~1之间，越接近1拟合程度越高
2）t值：评估在其他解释变量不变的前提下，解释变量X对被解释变量Y的影响，越接近0越显著
3）F值：各解释变量联合起来，对被解释变量Y的影响，越接近0越显著
4）有偏性（ME）：AVG(yi'-yi)
5）平均绝对差值（MAE）：AVG(|yi'-yi|)
6）均方误差（MSE）：∑(yi'-yi)^2/n
7）均方根误差（RMSE）：sqrt(∑(yi'-yi)^2/n)
问5：还有什么可优化的地方？
答5：1）一部分城市进行模型训练，大多数城市根据是运营根据经验选取相似城市使用相同策略，其实可以通过聚类的方法，更自动化
2）在应用过程中，降价效果仅仅是涨价效果的一半，究其原因是需要C端推广配合，否则无法触达用户
3）从定价理论角度来看，更高级的方式应该针对用户提供差异化服务，提供不同价格，这里差异化服务可以是不同配送时长，或者是相同服务的不同包装形式
问6：怎样在线上应用的？
答6：1）工程架构是这样的：价格敏感度模型是离线的，计算出不同场景的敏感度系数
2）另外一个同事完成调价模块，根据敏感度系数，在一定的收入约束下，以单量增长为目标，确定各场景的具体配送费伸缩系数，并导入mysql库
3）客户下单时，会根据不同场景乘以不同的伸缩系数
4）第一步是用R实现，第二步用python实现，第三步用java实现
问7：配送费基础价格是如何确定的？
答7：1）根据配送区的平均配送费
2）每单的配送耗时占配送区平均耗时的比例
3）每单耗时=由商家的历史取餐时长+预估的配送时长+所在位置的交付时长求
问8：模型如何在线定期更新？
答8：1）主要是构建在线的训练样本集
2）可以通过抽取abctest进行，5%加价，5%等比例减价，90%不变，可以保证在不影响收入单量的前提下获取训练样本
问1：基于成本定价是怎么做的？
答1：1）背景：有些订单耗时长，成本高，但收取配送费少，配送这些订单是亏本的，这是不合理的。
2）方案思路：主要是在高峰时段、低收入、高成本订单加配送费，一方面，减少其单量，调整订单分布；另一方面，增加其配送费收入
3）具体方案：通过各种数据分析挖掘，定义一系列规则，通过仿真系统确定各规则权重，生成成本定义，从而在忙时对低客单价订单加价
4）效果：单均配送距离减少20米，单量稳定，收入提升0.2元
5）这个项目中算法层面较少，主要是业务理解、业务建模
答2：1）实时订单难度的计算上，取餐时长、交付时长都是使用的历史统计值，其实可以考虑进行回归预测
2）距离直接进行的规则定义，更好的方式是预测出耗时，然后所有单位都是分钟，就不用进行归一化，也不用进行参数权重设置
----------------------------------------------------------------------------------------
问1：关键词提取是怎么做的？
答1：1）背景：属于非结构化数据进行结构化处理；一个功能是替换编辑人工打标签，一方面工作量大；另一方面随意性比较强。另一个功能支持聚合阅读
2）方案思路：topic主题词抽取（lda）、词位置信息的关键词抽取（KE），然后通过一些策略共选取5个关键词
3）具体方案：首先，过滤掉停用词 其次，根据三级策略进行提取。第一级策略是：主题词+标题中的词取交际；第二级策略是：KE+标题中的词；第三级策略是：主题词
4）我这边主要负责主题词抽取，详细过程：分词、特征选择、lda模型训练、主题词抽取
4）分词：直接使用微博的分词工具，调用接口
5）特征选择：浅度特征选择和深度特征选择
6）lda模型训练：吉布斯采样
7）主题词抽取：根据文章主题分布和特征
问2：特征选择的常用方法有哪些？
答2：信息增益、卡方、基尼系数、信息增益率
问3：信息增益的公式是什么？
答3：IG(T)=H(C)-H(C|T)
H(C)=-∑p(Ci)log(p(Ci))
H(C|T)=∑p(Ti)H(Ci|Ti)
信息增益越大，特征相关性越大
问4：卡方的公式是什么？
答4：D=D11+D12+D21+D22
D11=(A-E11)^2/E11
E11=(A+C)((A+B)/N)
x^2=(AD-BC)^2/((A+B)(A+C)(B+D)(C+D))
≈(AD-BC)^2/((A+B)(C+D))
卡方值越大，特征相关性越大
属于类C 不属于类C
包含特征 A B
不包含特征 C D
问5：基尼系数的公式是什么？
答5：G(D)=1-∑pi^2
G(D|T)=(|D1|/|D|)*G(D1)+(|D2|/|D|)*G(D2)
△G(D)=G(D)-G(D|T)
基尼系数增长越大，特征相关性越大
当T包含多个值时，选取G(D|T)最小的值为分裂后的基尼系数
问6：LDA生成一个文档的过程是什么样的？
答6：1）根据预料级参数α，生成文档d的主题分布Θ_d~p(Θ|α)
2）对于文档d中每个位置i对应的单词，按如下方式生成
2.1）根据主题分布Θ_d，按概率生成该位置i的主题z_i~p(z|Θ_d)
2.2）根据主题z_i和语料级参数β，按概率生成该位置i的词w_i~p(z|z_i,β)
3）生成一篇文档联合概率为：p(Θ,Z,W|α,β)=p(Θ|α)*∏p(z_i|Θ)*p(w_i|z_i,β)
问7：LDA怎样使用吉布斯采样进行模型训练？
答7：1）随机初始化：对文档中每个词w，随机分配topic编号z
2）重新扫描语料库，对每个词w按照吉布斯采样公式，按照概率生成新的topic，在语料中进行更新
3）重复以上采样过程，直到吉布斯采样收敛
4）统计语料库的topic-word共现频率矩阵，该矩阵就是LDA的模型
问8：LDA怎样使用吉布斯采样进行模型预测？
答8：1）随机初始化：对文档中每个词w，随机分配topic编号z
2）重新扫描语料库，对每个词w按照吉布斯采样公式，按照概率生成新的topic，在语料中进行更新
3）重复以上采样过程，直到吉布斯采样收敛
4）统计文档的topic分布
5）注：模型与测试topic-word共现频率矩阵不更新
问9：LDA中吉布斯采样公式是什么？
答9：1）参数α为向量，对应每个topic的值为α_k
2）参数β为向量，对应每个词的值为β_t
3）忽略第m篇文档中第i个单词，文档m属于主题k的频次n_m_k定义为：文档中主题k的单词的个数（不包括第i个单词）
4）忽略第m篇文档中第i个单词，主题k下词t的频次n_k_t定义为：主题k下所有文档中词t的个数（不包括文档m中第i个词）
5）第m篇文档，第i个单词，属于主题k的概率如下：p(z=k|d=m,t=i)∝((n_m_k+α_k)/∑_k(n_m_k+α_k))*((n_k_t+β_t)/∑_t(n_k_t+β_t))
----------------------------------------------------------------------------------------
问1：看了还看是怎么推荐的？
答1：1）背景：之前新浪新闻有基于热度的热点推荐、基于用户的个性化推荐；但这些都不是针对用户的当前兴趣点。看了还看，主要是推荐当前浏览页面相关的其他页面。
2）方案思路：被同一个用户点击的新闻具有相似性，从用户行为角度定义新闻相似性
3）具体方案：数据过滤：对访问频次低于10次的url过滤，url数量减少到原来1/10
2）推荐产生：关联规则计算置信度
3）模型优化：关联规则容易进行热门推荐，使用jaccard相似度代替置信度进行推荐
4）新点击数据10分钟拉取一次，模型每小时进行增量更新，兜底方案是使用前一天的推荐结果
5）有点遗憾的是没有针对内容相似性做一些推荐
答2：∑(xi-x')(y-y')/sqrt(∑(xi-x')^2)sqrt(∑(yi-y')^2)
问3：欧式距离的公式是什么？
答3：sqrt(∑(xi-yi)^2)
问1：先知项目是怎么做的？
答1：1）背景：在京东呼叫中⼼心,客户打通电话后,必须按相应数字键,会由匹配的POP客服或⾃自营客服对此客户进⾏行服务。⼀一⽅方⾯面操作繁琐,⽤用户体验差;另⼀一⽅方⾯面会有⼤大量的⽤用户选
2）方案思路：据⽤用户的历史行为数据,预测⽤用户咨询问题类型,加⼊入智能IVR系统
3）具体方案：定义单一规则，使用决策树进行规则选择及组合，使用bagging思路得到最优模型，每天进行一次特征更新
4）效果：模型⽇日均预测话务请求覆盖率70%,准确率90%
问2：什么是bagging？
答2：1）每次从样本集中有放回抽样n个，生成k各训练集合
2）使用每个训练集合进行模型训练
3）k个模型使用投票决定分类
问3：什么是boosting？
答3：1）初始化对每个样本赋予相同权重1/n
2）每次训练之后更新权重，给予较大的权重，并重新训练
问4：bagging和boosting区别？
答4：1）bagging样本是随机且独立的，boosting样本权重受前一次训练影响
2）bagging可训练并行，boosting训练需串行
3）bagging代表是随机森林
问1：恶意经销商模型是怎么做的？
答1：1）背景： 在618、双11、国庆、元旦等重要节⽇日,电商会进⾏大量的促销活动。⼀方⾯吸引⼤大量正常⽤用户购买;但另⼀方⾯大量经销商也在等待这个时机,进⾏行补货,经销商购买商品越多,电商损失越⼤大。
2）策略思路：建立黑名单，进行订单拦截、降低优惠券中奖概率等
3）具体方案：通过case分析和场景分析，识别出【候选恶意抢购商品】，在此基础上定义大单抢购场景和拆单抢购场景，从而识别经销商账号
4）效果：经销商拆单抢购⽉月均识别经销商数为5w+;经销商⼤大单抢购共识别恶意经销商600+。
问1：单量预测模型怎么演进的？
答1：1）背景：对低敏感度的用户加配送费（单量损失少），对高敏感度的用户减配送费（单量增加多），在保证收入的前提下，提高单量
2）具体这个模型构建其实经理了3个阶段
2.1）第一个阶段，预测目标是每个配送区每天的单量，使用特征包括配送区优惠力度，是否工作日，使用的算法是线性回归。每个配送区一个模型
2.2）第二个阶段，预测目标是每个配送区每天的单量，使用特征为历史1天、3天、7天、15天单量，配送费，uv，优惠力度，使用算法为随机森林，线性回归。多个配送区一个模型。
2.3）第三个阶段，预测目标是单量变化比例，使用特征为配送费变化，uv变化，优惠力度变化，使用算法是半对数模型。每个城市一个模型，相似城市公用一个模型。
3）效果：MAE在5%左右，无偏
问2：以上三个模型有什么区别？
答2：1）模型3是最终使用的模型，模型1和模型2在我们的场景下无法使用
2）首先，模型1来说，前期预测效果不错，后期预测效果变坏。原因是：
2.1）前期单量近似线性增长，优惠力度也程线性增长，两者间呈线性关系，我们用线性模型拟合，效果好
2.2）后期单量仍然存在自然的线性增长，优惠力度不增长，甚至某些区域出现下降，两者间不存在线性关系，所以拟合效果不好
2.3）所以前期其实是伪线性关系，被学习到了；而随着业务变化，这种伪线性关系不存在
3）其次，对于模型1来说，还存在一个问题，配送费对单量的影响很小
3.1）在整个优惠力度的角度来看，配送费加减一块钱对其影响很小
3.2）对于用户来说，配送费增加一块钱很敏感，但菜品增加一块钱很可能都无感
3.3）由于上述两点，所以配送费通过优惠力度来预测单量，体现不出配送费的真实影响力，所以需要把配送费单独作为一个特征
4）对于模型2，预测效果是可以的，但配送费的权重很低，对单量影响很小
4.1）我们的场景来说，即使绝对的单量预测特别准，也没法用；我们更关注配送费对单量的影响
4.2）原因是：历史单量是由竞对、优惠力度、配送费、服务、商家质量等多种因素综合决定的，权重会很大；配送费作为单量某一侧面的反应被综合特征替换掉了
4.3）模型使用随机森林，所以特征方面没有进行很多特征选择
5）模型3是我们最终使用的模型
5.1）它的核心是使用配送费明显变化前后各一周的数据进行建模
5.2）这样，对于每一个配送区来说，由于在极短时间内，竞对、市占、商家供给、服务等影响单量的特征不会突变，
5.3）对于单量变化来说，可以认为这些特征是一个常数；对于单量来说，是很重要的特征
5.4）uv、配送费、优惠力度是变的，其他的是衡量
问3：模型怎么评估的？
答3：1）模型指标：R^2，F值，t值
2）测试集上进行测试：cross validation。虽然更经常是用于超参数的选择，但这里是进行模型评估。ME、MAE、MSE、RMSE
3）abtest线上测试：能够保证只有配送费的差异
问4：R^2，F值，t值，ME、MAE、MSE、RMSE定义分别是什么？
答4：1）R^2：模型对观测值的拟合程度，在0~1之间，越接近1拟合程度越高
2）t值：评估在其他解释变量不变的前提下，解释变量X对被解释变量Y的影响，越接近0越显著
3）F值：各解释变量联合起来，对被解释变量Y的影响，越接近0越显著
4）有偏性（ME）：AVG(yi'-yi)
5）平均绝对差值（MAE）：AVG(|yi'-yi|)
6）均方误差（MSE）：∑(yi'-yi)^2/n
7）均方根误差（RMSE）：sqrt(∑(yi'-yi)^2/n)
问5：还有什么可优化的地方？
答5：1）一部分城市进行模型训练，大多数城市根据是运营根据经验选取相似城市使用相同策略，其实可以通过聚类的方法，更自动化
2）在应用过程中，降价效果仅仅是涨价效果的一半，究其原因是需要C端推广配合，否则无法触达用户
3）从定价理论角度来看，更高级的方式应该针对用户提供差异化服务，提供不同价格，这里差异化服务可以是不同配送时长，或者是相同服务的不同包装形式
问6：怎样在线上应用的？
答6：1）工程架构是这样的：价格敏感度模型是离线的，计算出不同场景的敏感度系数
2）另外一个同事完成调价模块，根据敏感度系数，在一定的收入约束下，以单量增长为目标，确定各场景的具体配送费伸缩系数，并导入mysql库
3）客户下单时，会根据不同场景乘以不同的伸缩系数
4）第一步是用R实现，第二步用python实现，第三步用java实现
问7：配送费基础价格是如何确定的？
答7：1）根据配送区的平均配送费
2）每单的配送耗时占配送区平均耗时的比例
3）每单耗时=由商家的历史取餐时长+预估的配送时长+所在位置的交付时长求
问8：模型如何在线定期更新？
答8：1）主要是构建在线的训练样本集
2）可以通过抽取abctest进行，5%加价，5%等比例减价，90%不变，可以保证在不影响收入单量的前提下获取训练样本
