В современном онлайн-шопинге ключевым аспектом является скорость и персонализация поиска товаров. Пользователи ожидают, что система рекомендаций предложит им именно то, что они ищут, без лишних затрат времени. Одной из важных функций, способствующих этому, являются рекомендации похожих товаров. Однако, если бы эти рекомендации формировались вручную, результат зависел бы от субъективных предпочтений каждого отдельного человека. В мире моды, где разнообразие стилей, цветов и брендов огромно, такая зависимость может привести к неэффективным результатам.
Проблема традиционных рекомендаций
В fashion-индустрии похожесть товара не сводится к простым критериям, таким как цвет или цена. Каждый покупатель имеет свои уникальные предпочтения, и поэтому задача рекомендаций требует более сложного подхода. Перевод этой задачи в плоскость машинного обучения (ML) позволяет учитывать множество факторов: атрибуты товара, изображения, текстовые описания и поведение пользователей. Это создает более точные и релевантные рекомендации, которые соответствуют индивидуальным запросам.
Опыт команды Lamoda Tech
Меня зовут Дима Борисов, и я работаю дата-сайентистом в команде персонализации Lamoda Tech. В этой статье я расскажу о том, как мы развивали систему similar-рекомендаций и переосмыслили ленту похожих товаров в нашем приложении. Мы начнем с основополагающих принципов работы рекомендаций и старой модели, а затем подробно рассмотрим новый подход.
Основные принципы работы рекомендаций
Ранее система рекомендаций Lamoda основывалась на сравнительно простых алгоритмах, которые учитывали ограниченное количество факторов. Это приводило к тому, что пользователи получали рекомендации, которые не всегда соответствовали их ожиданиям. Мы поняли, что необходимо внедрить более сложные модели, способные обрабатывать различные сигналы о товаре.
Новый подход к рекомендациям
В рамках нового подхода мы начали использовать современные энкодеры, которые позволяют более эффективно обрабатывать данные. Эти модели способны извлекать скрытые связи между товарами, что значительно улучшает качество рекомендаций. Кроме того, мы внедрили обученный реранкер, который помогает оптимизировать порядок отображения товаров в ленте. Это означает, что не только сами товары, но и их расположение в списке теперь учитывают предпочтения пользователя.
Онлайн-ранжирование
Одним из ключевых элементов нового алгоритма стало онлайн-ранжирование. Это позволяет системе адаптироваться к изменениям в поведении пользователей в реальном времени. Например, если пользователь начал интересоваться определенным стилем или брендом, система быстро подстраивается под эти изменения и предлагает актуальные рекомендации.
Заключение
Таким образом, благодаря внедрению современных технологий и алгоритмов, мы смогли значительно улучшить систему рекомендаций похожих товаров в Lamoda. Теперь пользователи получают более персонализированные и релевантные предложения, что делает процесс онлайн-шопинга более удобным и эффективным.