Halo semuanya! Nama saya Sasha, saya CTO & Co-Founder di LoyaltyLab. Dua tahun yang lalu, saya pergi dengan teman-teman, seperti semua siswa miskin, pada malam hari untuk minum bir ke toko terdekat di dekat rumah saya. Kami sangat kesal karena pengecer, mengetahui bahwa kami akan datang untuk minum bir, tidak menawarkan diskon untuk keripik atau kerupuk, meskipun ini sangat logis! Kami tidak mengerti mengapa situasi ini terjadi dan memutuskan untuk menjadikan perusahaan kami. Nah, sebagai bonus, tuliskan diskon untuk diri Anda sendiri setiap Jumat untuk chip-chip yang sangat.

Dan semuanya berjalan sangat jauh sehingga saya berbicara di NVIDIA GTC dengan materi di sisi teknis produk . Kami senang berbagi praktik terbaik kami dengan komunitas, jadi saya memposting laporan saya dalam bentuk artikel.

pengantar

Seperti segala sesuatu di awal perjalanan, kami mulai dengan ulasan tentang bagaimana sistem rekomendasi dibuat. Dan yang paling populer adalah arsitektur tipe berikut:

:

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 :)