大家好！我叫Sasha，我是LoyaltyLab的CTO和联合创始人。两年前，我和所有贫困学生一样，和朋友一起去了晚上，去我家附近最近的商店喝啤酒。我们非常沮丧，因为零售商知道我们会来买啤酒，所以没有提供薯片或饼干的折扣，尽管这很合逻辑！我们不明白为什么会发生这种情况，因此决定成立我们的公司。好吧，作为奖励，每个星期五给自己写打折的筹码。
到目前为止，我在NVIDIA GTC上的演讲都涉及产品技术方面的内容。我们很高兴与社区分享我们的最佳实践，因此，我以文章的形式发布了我的报告。
介绍
像旅程开始时的所有内容一样，我们首先回顾了推荐系统的制作方式。最受欢迎的是以下类型的体系结构：
:
- , .
- 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 .
:
:
, . , , , , “ , ”. , , :
- .
- , .
- .
- /.
- ( ).
- , , (Word2Vec, DSSM, etc.).
, . , K ( 1-3 ), K . , :
, , , recall precision . “ 2 ”.
,
, “ ” , , , - . . , ALS, , . “ ” , , / , , , , , . 2 :
k — , 14 .
, , .
, - . , //. , - . — , k . , . :
, , , . :
2 , :
- , , K .
- , .
, :
ft — , K ( K=5)
tm — ,
, (0, 0) recall precision, . , , k , .
— , . -k “” / “” /. “” “” . . , , , . . :
“category” .
, , , “” .
, — . 2 , [ i]-[ j], j > i, . producti-productj , producti . -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 :
- , , .
- .
- TF-IDF .
, , , , . 1, , ½, ⅓, .:
TF-IDF , TF-IDF , , , , — . , . :
. ALS:
Item2Vec :
, baseline. , k . , , 50-70 .
DSSM:
?
, , ? ? :
- - . , , , .
- ?
, : , . , , , “ ” “ ”.
, , : (recall). , , . .
— , recall — . 2 , :
, «, » , . , “ ” . , . , .
:
:
, , . , , , . , . , , :
- / .
- .
- .
, , . , . . , :
- / .
- , . , -.
- , , .
:
overall products conversion — , .
. , , , . , , .
, , , , — 3-4%:
, , realtime , . , .
, . telegram. AI/ telegram — welcome :)