- Разработана и внедрена сессионная рекомендательная система, использующая граф товаров, метаданные и модель LightGBM для персонализированных предложений.
- Система способна генерировать до 20 рекомендаций из 300 кандидатов, значительно улучшая релевантность предложений для анонимных посетителей.
- Пересмотрен подход к оценке, учитывающий, что отсутствие записи о покупке не всегда означает ее отсутствие, что позволило точнее измерять качество рекомендаций.
PROSTO24: Рекомендательная система на основе сессий и графов товаров
PROSTO24 сообщает о разработке и успешном внедрении инновационной сессионной рекомендательной системы, предназначенной для предоставления персонализированных предложений анонимным посетителям веб-ресурсов. Эта система, основанная на данных Coveo, использует современные методы машинного обучения, включая графы связей между товарами, их описания и изображения, а также мощную модель LightGBM для ранжирования.
Как работает система: от сбора данных до рекомендаций
Основная задача системы - предложить релевантные товары посетителю, который только что просмотрел карточку товара, без какой-либо информации о его предыдущих визитах. Процесс формирования рекомендаций включает несколько ключевых этапов:
- Сбор кандидатов: На основе просмотренного товара система генерирует до 300 потенциальных кандидатов. Для этого используются различные источники: исторический граф связей между товарами, анализ схожих описаний и изображений.
- Ранжирование с LightGBM: Полученные кандидаты затем ранжируются с помощью модели LightGBM, которая отбирает до 20 наиболее релевантных рекомендаций. Этот этап учитывает такие факторы, как квоты источников, пропуски в признаках и парное обучение.
- Доступность: Обученная модель с измеренным качеством уже функционирует, предоставляя рекомендации через локальный HTTP API. Доступны инструкции по запуску и воспроизведению.
Переосмысление метрик: почему отсутствие записи о покупке не равно отсутствию покупки
Одним из ключевых аспектов разработки стало изменение подхода к оценке качества рекомендательной системы. Изначально для оценки было подготовлено 60 000 сессий, однако метрика Hit@20 была рассчитана только по 748 из них. Это привело к важному выводу: отсутствие записи о покупке не всегда является достаточным основанием считать, что посетитель ничего не купил.
Такое понимание заставило пересмотреть цель, подготовку данных и методы обучения. Например, теперь учитываются действия, которые модель может видеть, источники нулевых меток и важность сохранения промахов отбора кандидатов в метрике. Эти правила уже успешно применяются в рабочем проекте.
| Параметр | Детали реализации |
|---|---|
| Источники кандидатов | Граф связей товаров, описания, изображения, поиск |
| Количество кандидатов | До 300 |
| Модель ранжирования | LightGBM |
| Итоговые рекомендации | До 20 |
| Оценка качества | Hit@20 по 748 сессиям (из 60 000) |
| Доступность | Локальный HTTP API, инструкции и код |
Для онлайн-ритейлеров и контент-платформ внедрение такой сессионной рекомендательной системы означает возможность значительно повысить релевантность предложений даже для новых или анонимных пользователей. Это может привести к увеличению конверсии и улучшению пользовательского опыта. Переосмысление метрик оценки подчеркивает важность глубокого анализа поведения пользователей, что позволяет создавать более точные и эффективные алгоритмы рекомендаций.
Читайте также по теме
1 комментарий
Добавить комментарий
Для отправки комментария вам необходимо авторизоваться.
Использование LightGBM для ранжирования наряду с графовыми структурами для генерации кандидатов — это мощная комбинация. Особенно интересно переосмысление метрик оценки, где акцент на реальных взаимодействиях, а не только на прямых покупках, значительно повышает валидность системы. Это демонстрирует глубокое понимание поведенческих факторов в e-commerce.