Bonjour à tous! Je m'appelle Sasha, je suis CTO et co-fondateur de LoyaltyLab. Il y a deux ans, je suis allé avec des amis, comme tous les étudiants pauvres, le soir pour une bière au magasin le plus proche près de chez moi. Nous étions très contrariés que le détaillant, sachant que nous venions pour une bière, n'ait pas offert de rabais sur les chips ou les craquelins, bien que ce soit si logique! Nous n'avons pas compris pourquoi cette situation se produisait et avons décidé de faire de notre entreprise. Eh bien, en prime, écrivez-vous des rabais tous les vendredis pour les mêmes jetons.

Et tout est allé si loin que je parle à NVIDIA GTC avec du matériel sur le côté technique du produit . Nous sommes heureux de partager nos meilleures pratiques avec la communauté, je publie donc mon rapport sous la forme d'un article.

introduction

Comme tout au début du voyage, nous avons commencé par un examen de la façon dont les systèmes de recommandation sont faits. Et la plus populaire était l'architecture du type suivant:

:

1. , .
2. c .

:

• candidate/ — user-product, .
• candidates extraction/extractor/ — “ ” .

. — ALS. , , . , , . , ALS, baseline’.

, , , realtime , , 30 , , , . , , , , — , .

baseline , ALS . , , :

• Precision — .
• Recall — , target .
• F1-score — F-, .

. 3 :

• precision@5 — -5 .
• response-rate@5 — ( 5 ).
• avg roc-auc per user — roc-auc .

, time-series -, k , test k+1 . / . -, — . , .

, , baseline, ALS .
:

:

, . , , , , “ , ”. , , :

1. .
2. , .
3. .
4. /.
5. ( ).
6. , , (Word2Vec, DSSM, etc.).

, . , K ( 1-3 ), K . , :

, , , recall precision . “ 2 ”.

,

, “ ” , , , - . . , ALS, , . “ ” , , / , , , , , . 2 :

k — , 14 .
, , .

, - . , //. , - . — , k . , . :

, , , . :

2 , :

1. , , K .
2. , .

, :

ft — , K ( K=5)
tm — ,

, (0, 0) recall precision, . , , k , .

— , . -k “” / “” /. “” “” . . , , , . . :

“category” .

, , , “” .

, — . 2 , [ i]-[ j], j > i, . product_i-product_j , product_i . -k , . :

:

, : , , . , , , .

:

k — , .
, k=4. 4 . 

, ,

— , . 3:

• ALS
• Word2Vec (Item2Vec )
• DSSM

ALS , , . Word2Vec, gensim. , , . , , “” ( ). ecommerce , Ozon. DSSM . Microsoft, , research paper. :

Q — query, , D[i] — document, -. , . (multilayer perceptron). , .
, , — . :

— ALS DSSM , Word2Vec . 3 :

1. , , .
2. .
3. TF-IDF .

, , , , . 1, , ½, ⅓, .:

TF-IDF , TF-IDF , , , , — . , . :

. ALS:

Item2Vec :

, baseline. , k . , , 50-70 .

DSSM:

?

, , ? ? :

1. - . , , , .
2. ?

, : , . , , , “ ” “ ”.

, , : (recall). , , . .

— , recall — . 2 , :

• , .
• .

, «, » , . , “ ” . , . , .

:

:

, , . , , , . , . , , :

1. / .
2. .
3. .

, , .  , . . , :

1. / .
2. , . , -.
3. , , .

:

overall products conversion — , .

. , , , . , , .

, , , , — 3-4%:

, , realtime , . , .

, . telegram. AI/ telegram — welcome :)