"Яндекс" рассказал, как устроена система рекомендаций на "Маркете". Задача рекомендаций – сузить предложение до вариантов, которые с наибольшей вероятностью подойдут конкретному человеку. В "Яндексе" для этого разработана технология "Диско".
Название выбрано в честь музыкального жанра "диско". Именно на "Яндекс.Музыке" впервые появились рекомендации, и только потом они перекочевали на "Яндекс.Маркете". Слово "диско" также созвучно английскому слову discovery, открытие.
"Диско", прежде чем дать рекомендации, узнает вкусы и предпочтения человека. Для этого "Яндекс" использует поисковые запросы (дают возможность узнать текущие интересы) и данные от технологии "Крипта" (пол, возраст, род занятий). Учитывая все это, "Диско" может вычислить, что пользователю понравится, а что точно не стоит рекомендовать.
Есть и дополнительные сведения. Например, на "Маркете" это информация о том, какие товары просматривал человек. Сигналы о предпочтениях пользователя могут быть положительными и отрицательными. Кроме того, сигналы могут отличаться по весу.
Для составления рекомендаций "Диско" использует три разных подхода.
Первый подход опирается на информацию об объектах и связях между ними. Например, о любом товаре известно, кто его производитель, каковы его характеристики и к какой категории продукции он принадлежит. Анализируя это, "Яндекс" может советовать пользователю объекты, родственные тому, которыми он ранее интересовался.
Если человек купил телевизор и холодильник одного и того же производителя, то при подборе стиральной машины ему в первую очередь будут советовать этот же бренд. Достоинством этого варианта является то, что можно посоветовать покупателю редкие объекты, которыми мало кто интересуется, но которые нужны именно ему.
При втором подходе акцент делается на сегментацию аудитории. "Диско" известны пол, примерный возраст и предположительный род занятий каждого пользователя. Исходя из этого, делается предположение, что у людей, для которых эти характеристики совпадают, часто совпадают и интересы. Если клиент пользуется сервисом впервые и ещё не успел ничего приобрести, можно предположить, что люди со схожими характеристиками покупают одинаковые товары – и предложить ему их. Этот метод дает возможность составлять рекомендации для новичков на "Маркете".
И, наконец, третий подход использует данные о взаимодействиях потребителей с объектами. В теории рекомендательных систем этот метод известен как SVD – singular value decomposition, или сингулярное разложение. Он позволяет, опираясь на уже известные взаимодействия, предсказать, как пользователи отреагируют на те или иные объекты.
Этот вариант позволяет найти нетривиальные закономерности: скажем, может выясниться, что люди, которые интересуются телевизорами и фитнес-трекерами, чаще других покупают мультиварки.
Рекомендации, сделанные на базе всех 3 моделей, обрабатывает метод машинного обучения "Матрикснет". Результатом его работы становится итоговый список рекомендаций, которые пользователь видит на "Яндекс.Маркете".
 |
|
Если сайт компании - это одно, если же магазин - это совсем другое.
 |
|
Свернуть
