કેમ છો બધા! મારું નામ સાશા છે, હું લોયલ્ટીલેબમાં CTO અને સહ-સ્થાપક છું. બે વર્ષ પહેલાં, હું અને મારા મિત્રો, બધા ગરીબ વિદ્યાર્થીઓની જેમ, સાંજે અમારા ઘરની નજીકના સ્ટોરમાં બીયર ખરીદવા ગયા હતા. અમે ખૂબ જ અસ્વસ્થ હતા કે રિટેલર, એ જાણીને કે અમે બીયર માટે આવીશું, ચિપ્સ અથવા ફટાકડા પર ડિસ્કાઉન્ટ ઓફર કર્યું ન હતું, જો કે આ ખૂબ જ તાર્કિક હતું! અમે સમજી શક્યા નહીં કે આ સ્થિતિ શા માટે થઈ રહી છે અને અમારી પોતાની કંપની શરૂ કરવાનું નક્કી કર્યું. સારું, બોનસ તરીકે, તે જ ચિપ્સ પર દર શુક્રવારે તમારી જાતને ડિસ્કાઉન્ટ આપો.

અને તે બધું તે બિંદુએ પહોંચ્યું જ્યાં હું ઉત્પાદનની તકનીકી બાજુ પર સામગ્રી પ્રસ્તુત કરી રહ્યો છું NVIDIA GTC. અમારું કાર્ય સમુદાય સાથે શેર કરવામાં અમને આનંદ થાય છે, તેથી હું મારો અહેવાલ લેખના રૂપમાં પ્રકાશિત કરી રહ્યો છું.

પરિચય

મુસાફરીની શરૂઆતમાં બીજા બધાની જેમ, અમે ભલામણકર્તા સિસ્ટમ્સ કેવી રીતે બનાવવામાં આવે છે તેની ઝાંખી સાથે શરૂઆત કરી. અને સૌથી લોકપ્રિય આર્કિટેક્ચર નીચેના પ્રકારનું બહાર આવ્યું:

તે બે ભાગો સમાવે છે:

1. એક સરળ અને ઝડપી મૉડલનો ઉપયોગ કરીને ભલામણો માટે ઉમેદવારોના નમૂના લેવા, સામાન્ય રીતે સહયોગી મોડેલ.
2. વધુ જટિલ અને ધીમા કન્ટેન્ટ મૉડલ ધરાવતા ઉમેદવારોની રેન્કિંગ, ડેટામાં તમામ સંભવિત સુવિધાઓને ધ્યાનમાં લઈને.

હવે પછી હું નીચેની શરતોનો ઉપયોગ કરીશ:

• ભલામણો માટે ઉમેદવાર/ઉમેદવાર — એક વપરાશકર્તા-ઉત્પાદન જોડી જે સંભવિતપણે ઉત્પાદનમાં ભલામણોમાં સમાવી શકાય છે.
• ઉમેદવારો નિષ્કર્ષણ/ઉમેદવાર/ઉમેદવાર નિષ્કર્ષણ પદ્ધતિ - ઉપલબ્ધ ડેટામાંથી "સુઝાવ ઉમેદવારો" કાઢવા માટેની પ્રક્રિયા અથવા પદ્ધતિ.

પ્રથમ પગલામાં સામાન્ય રીતે સહયોગી ફિલ્ટરિંગની વિવિધ ભિન્નતાઓનો ઉપયોગ કરવાનો સમાવેશ થાય છે. સૌથી વધુ લોકપ્રિય - અલ્સ. તે આશ્ચર્યજનક છે કે ભલામણ કરનાર પ્રણાલીઓ વિશેના મોટાભાગના લેખો ફક્ત પ્રથમ તબક્કે સહયોગી મોડેલોમાં વિવિધ સુધારાઓ દર્શાવે છે, પરંતુ અન્ય નમૂના પદ્ધતિઓ વિશે કોઈ વધુ વાત કરતું નથી. અમારા માટે, માત્ર સહયોગી મોડલ્સનો ઉપયોગ કરવાનો અભિગમ અને તેમની સાથેના વિવિધ ઑપ્ટિમાઇઝેશનો અમારી અપેક્ષા મુજબની ગુણવત્તા સાથે કામ કરી શક્યા નથી, તેથી અમે ખાસ કરીને આ ભાગ પર સંશોધન કર્યું. અને લેખના અંતે હું બતાવીશ કે અમે ALS ને સુધારવામાં કેટલા સક્ષમ હતા, જે અમારી આધારરેખા હતી.

હું અમારા અભિગમનું વર્ણન કરવા આગળ વધું તે પહેલાં, એ નોંધવું અગત્યનું છે કે વાસ્તવિક સમયની ભલામણોમાં, જ્યારે અમારા માટે 30 મિનિટ પહેલાં આવેલા ડેટાને ધ્યાનમાં લેવું મહત્વપૂર્ણ છે, ત્યારે ખરેખર એવા ઘણા અભિગમો નથી કે જે જરૂરી સમયમાં કામ કરી શકે. પરંતુ, અમારા કિસ્સામાં, અમારે દિવસમાં એક કરતા વધુ વખત ભલામણો એકત્રિત કરવાની રહેશે નહીં, અને મોટાભાગના કિસ્સાઓમાં - અઠવાડિયામાં એકવાર, જે અમને જટિલ મોડેલોનો ઉપયોગ કરવાની અને ગુણવત્તામાં અનેકગણી સુધારો કરવાની તક આપે છે.

ચાલો એક આધારરેખા તરીકે લઈએ કે ઉમેદવારોને કાઢવાના કાર્ય પર માત્ર ALS શું મેટ્રિક્સ બતાવે છે. અમે મોનિટર કરીએ છીએ તે મુખ્ય મેટ્રિક્સ છે:

• ચોકસાઇ - નમૂનામાંથી યોગ્ય રીતે પસંદ કરેલ ઉમેદવારોનું પ્રમાણ.
• રિકોલ એ ઉમેદવારોનું પ્રમાણ છે જે વાસ્તવમાં લક્ષ્ય અંતરાલમાં હતા.
• F1-સ્કોર - અગાઉના બે બિંદુઓ પર ગણતરી કરેલ F-માપ.

અમે વધારાની સામગ્રી સુવિધાઓ સાથે ગ્રેડિયન્ટ બૂસ્ટિંગની તાલીમ આપ્યા પછી અંતિમ મોડેલના મેટ્રિક્સ પણ જોઈશું. અહીં 3 મુખ્ય મેટ્રિક્સ પણ છે:

• precision@5 - દરેક ખરીદનાર માટે સંભવિતતાના સંદર્ભમાં ટોચના 5માંથી ઉત્પાદનોની સરેરાશ ટકાવારી.
• Response-rate@5 - ગ્રાહકોનું સ્ટોરની મુલાકાતથી લઈને ઓછામાં ઓછી એક વ્યક્તિગત ઑફરની ખરીદીમાં રૂપાંતર (એક ઑફરમાં 5 ઉત્પાદનો).
• વપરાશકર્તા દીઠ સરેરાશ roc-auc - સરેરાશ roc-auc દરેક ખરીદનાર માટે.

એ નોંધવું અગત્યનું છે કે આ તમામ મેટ્રિક્સ પર માપવામાં આવે છે સમય-શ્રેણી ક્રોસ-વેલિડેશન, એટલે કે, તાલીમ પ્રથમ k અઠવાડિયામાં થાય છે, અને k+1 અઠવાડિયાને ટેસ્ટ ડેટા તરીકે લેવામાં આવે છે. આમ, મોડલ્સની ગુણવત્તાના અર્થઘટન પર મોસમી ઉતાર-ચઢાવની ન્યૂનતમ અસર હતી. આગળ બધા આલેખ પર, એબ્સીસા અક્ષ ક્રોસ-વેલિડેશનમાં અઠવાડિયાની સંખ્યા સૂચવશે, અને ઓર્ડિનેટ અક્ષ નિર્દિષ્ટ મેટ્રિકનું મૂલ્ય સૂચવશે. બધા ગ્રાફ એક ક્લાયન્ટના ટ્રાન્ઝેક્શન ડેટા પર આધારિત છે જેથી કરીને એકબીજા વચ્ચેની સરખામણી સાચી હોય.

અમે અમારા અભિગમનું વર્ણન કરવાનું શરૂ કરીએ તે પહેલાં, અમે પ્રથમ આધારરેખાને જોઈએ છીએ, જે ALS-પ્રશિક્ષિત મોડેલ છે.
ઉમેદવાર પુનઃપ્રાપ્તિ મેટ્રિક્સ:

અંતિમ મેટ્રિક્સ:

હું એલ્ગોરિધમ્સના તમામ અમલીકરણને અમુક પ્રકારની બિઝનેસ પૂર્વધારણા તરીકે ગણું છું. આમ, ખૂબ જ અંદાજે, કોઈપણ સહયોગી મોડેલને એવી પૂર્વધારણા તરીકે ગણી શકાય કે "લોકો તેમના જેવા લોકો જે ખરીદે છે તે ખરીદવાનું વલણ ધરાવે છે." મેં પહેલેથી જ કહ્યું તેમ, અમે પોતાને આવા સિમેન્ટિક્સ સુધી મર્યાદિત રાખ્યા નથી, અને અહીં કેટલીક પૂર્વધારણાઓ છે જે ઑફલાઇન રિટેલમાં ડેટા પર સારી રીતે કામ કરે છે:

1. જે મેં પહેલા પણ ખરીદ્યું છે.
2. મેં પહેલા જે ખરીદ્યું હતું તેના જેવું જ.
3. લાંબા ભૂતકાળની ખરીદીનો સમયગાળો.
4. શ્રેણી/બ્રાન્ડ દ્વારા લોકપ્રિય.
5. અઠવાડિયાથી અઠવાડિયા સુધી વિવિધ માલસામાનની વૈકલ્પિક ખરીદી (માર્કોવ સાંકળો).
6. વિવિધ મોડલ્સ (Word2Vec, DSSM, વગેરે) દ્વારા બાંધવામાં આવેલી લાક્ષણિકતાઓ અનુસાર ખરીદદારો માટે સમાન ઉત્પાદનો.

તમે પહેલાં શું ખરીદ્યું?

સૌથી સ્પષ્ટ હ્યુરિસ્ટિક જે કરિયાણાની છૂટક વેચાણમાં ખૂબ સારી રીતે કામ કરે છે. અહીં અમે લોયલ્ટી કાર્ડ ધારકે છેલ્લા K દિવસોમાં (સામાન્ય રીતે 1-3 અઠવાડિયા), અથવા એક વર્ષ પહેલા K દિવસોમાં ખરીદેલ તમામ સામાન લઈએ છીએ. ફક્ત આ પદ્ધતિનો ઉપયોગ કરીને, અમે નીચેના મેટ્રિક્સ મેળવીએ છીએ:

અહીં તે એકદમ સ્પષ્ટ છે કે આપણે પીરિયડને જેટલો લાંબો સમય લઈએ છીએ, તેટલું વધુ યાદ કરીએ છીએ અને આપણી પાસે ઓછી ચોકસાઈ હોય છે અને તેનાથી વિપરીત. સરેરાશ, "છેલ્લા 2 અઠવાડિયા" ગ્રાહકો માટે વધુ સારા પરિણામો આપે છે.

મેં પહેલા જે ખરીદ્યું હતું તેના જેવું જ

તે આશ્ચર્યજનક નથી કે કરિયાણાની છૂટક વેચાણ માટે "મેં પહેલાં જે ખરીદ્યું છે" તે સારી રીતે કાર્ય કરે છે, પરંતુ વપરાશકર્તાએ પહેલેથી જે ખરીદ્યું છે તેમાંથી ઉમેદવારોને બહાર કાઢવું ​​એ ખૂબ સરસ નથી, કારણ કે તે કોઈ નવી પ્રોડક્ટ સાથે ખરીદનારને આશ્ચર્યચકિત કરે તેવી શક્યતા નથી. તેથી, અમે સમાન સહયોગી મોડલ્સનો ઉપયોગ કરીને આ હ્યુરિસ્ટિકમાં થોડો સુધારો કરવાની દરખાસ્ત કરીએ છીએ. ALS પ્રશિક્ષણ દરમિયાન અમને મળેલા વેક્ટર્સમાંથી, અમે વપરાશકર્તાએ પહેલેથી ખરીદેલ હોય તેવા જ ઉત્પાદનો મેળવી શકીએ છીએ. આ વિચાર વિડિઓ સામગ્રી જોવા માટેની સેવાઓમાં "સમાન વિડિઓઝ" જેવો છે, પરંતુ અમે જાણતા નથી કે વપરાશકર્તા ચોક્કસ ક્ષણે શું ખાય છે/ખરીદી રહ્યો છે, તેથી અમે ફક્ત તેણે પહેલેથી જ ખરીદેલ છે તેના જેવા જ શોધી શકીએ છીએ, ખાસ કરીને કારણ કે અમે પહેલાથી જ જાણીએ છીએ કે તે કેટલી સારી રીતે કામ કરે છે. છેલ્લા 2 અઠવાડિયામાં વપરાશકર્તાના વ્યવહારો પર આ પદ્ધતિનો ઉપયોગ કરીને, અમે નીચેના મેટ્રિક્સ મેળવીએ છીએ:

તે k — છેલ્લા 14 દિવસમાં ખરીદનાર દ્વારા ખરીદેલ દરેક ઉત્પાદન માટે પુનઃપ્રાપ્ત કરાયેલ સમાન ઉત્પાદનોની સંખ્યા.
આ અભિગમ અમારા ક્લાયન્ટ માટે ખાસ કરીને સારી રીતે કામ કરે છે, જેમના માટે વપરાશકર્તાના ખરીદી ઇતિહાસમાં પહેલેથી જ હોય ​​તેવી કોઈ પણ વસ્તુની ભલામણ ન કરવી મહત્વપૂર્ણ હતી.

મોડી ખરીદી સમયગાળો

જેમ કે આપણે પહેલેથી જ શોધી કાઢ્યું છે, સામાનની ખરીદીની ઉચ્ચ આવર્તનને કારણે, પ્રથમ અભિગમ અમારી ચોક્કસ જરૂરિયાતો માટે સારી રીતે કાર્ય કરે છે. પરંતુ વોશિંગ પાવડર/શેમ્પૂ/વગેરે માલસામાનનું શું? એટલે કે, એવા ઉત્પાદનો સાથે કે જેની દર અઠવાડિયે અથવા બે અઠવાડિયે જરૂર થવાની શક્યતા નથી અને તે અગાઉની પદ્ધતિઓ બહાર કાઢી શકતી નથી. આ નીચેના વિચાર તરફ દોરી જાય છે - જે ગ્રાહકોએ ઉત્પાદન વધુ ખરીદ્યું છે તેમના માટે સરેરાશ દરેક ઉત્પાદનની ખરીદીના સમયગાળાની ગણતરી કરવાનો પ્રસ્તાવ છે k એકવાર અને પછી ખરીદનાર પાસે જે સંભવતઃ સમાપ્ત થઈ ગયું છે તે કાઢો. પર્યાપ્તતા માટે માલ માટે ગણતરી કરેલ અવધિ તમારી આંખોથી ચકાસી શકાય છે:

અને પછી અમે જોશું કે ઉત્પાદન સમયગાળાનો અંત સમય અંતરાલમાં આવે છે કે કેમ જ્યારે ભલામણો ઉત્પાદનમાં હશે અને શું થાય છે તેનો નમૂના લઈશું. અભિગમને આ રીતે સમજાવી શકાય છે:

અહીં અમારી પાસે 2 મુખ્ય કેસો છે જેને ધ્યાનમાં લઈ શકાય છે:

1. શું તે ગ્રાહકો પાસેથી ઉત્પાદનોના નમૂના લેવા જરૂરી છે કે જેમણે K વખત કરતાં ઓછી પ્રોડક્ટ ખરીદી છે.
2. શું ઉત્પાદનનો નમૂનો લેવો જરૂરી છે જો તેની અવધિનો અંત લક્ષ્ય અંતરાલની શરૂઆત પહેલાં આવે છે.

નીચેનો ગ્રાફ બતાવે છે કે આ પદ્ધતિ વિવિધ હાયપરપેરામીટર્સ સાથે કયા પરિણામો પ્રાપ્ત કરે છે:

ft — માત્ર એવા ગ્રાહકોને જ લો કે જેમણે ઓછામાં ઓછી K (અહીં K=5) વખત ઉત્પાદન ખરીદ્યું હોય
tm - માત્ર એવા ઉમેદવારોને જ લો કે જેઓ લક્ષ્ય અંતરાલમાં આવતા હોય

તે સક્ષમ છે તે આશ્ચર્યજનક નથી (0, 0) સૌથી મોટો યાદ અને સૌથી નાનું ચોકસાઇ, કારણ કે આ સ્થિતિ હેઠળ મોટાભાગના ઉમેદવારો પુનઃપ્રાપ્ત થાય છે. જો કે, શ્રેષ્ઠ પરિણામો ત્યારે પ્રાપ્ત થાય છે જ્યારે અમે એવા ગ્રાહકો માટે ઉત્પાદનોના નમૂના લેતા નથી કે જેમણે ચોક્કસ ઉત્પાદન કરતાં ઓછું ખરીદ્યું હોય k સમય અને અર્ક, માલ સહિત, જે સમયગાળાનો અંત લક્ષ્ય અંતરાલ પહેલાં આવે છે.

શ્રેણી દ્વારા લોકપ્રિય

અન્ય એકદમ સ્પષ્ટ વિચાર વિવિધ શ્રેણીઓ અથવા બ્રાન્ડ્સમાં લોકપ્રિય ઉત્પાદનોના નમૂના લેવાનો છે. અહીં અમે દરેક ખરીદનાર માટે ગણતરી કરીએ છીએ ટોપ-કે "મનપસંદ" શ્રેણીઓ/બ્રાન્ડ્સ અને આ શ્રેણી/બ્રાન્ડમાંથી "લોકપ્રિય" કાઢો. અમારા કિસ્સામાં, અમે ઉત્પાદનની ખરીદીની સંખ્યા દ્વારા "મનપસંદ" અને "લોકપ્રિય" નક્કી કરીશું. આ અભિગમનો એક વધારાનો ફાયદો એ કોલ્ડ સ્ટાર્ટ કેસમાં તેની લાગુ પડવાની ક્ષમતા છે. એટલે કે, એવા ગ્રાહકો માટે કે જેમણે કાં તો બહુ ઓછી ખરીદી કરી છે, અથવા લાંબા સમયથી સ્ટોરમાં નથી આવ્યા, અથવા માત્ર લોયલ્ટી કાર્ડ જારી કર્યું છે. તેમના માટે, ગ્રાહકોમાં લોકપ્રિય અને ઈતિહાસ ધરાવતી વસ્તુઓનો સ્ટોક કરવો વધુ સરળ અને બહેતર છે. પરિણામી મેટ્રિક્સ છે:

અહીં “કેટેગરી” શબ્દ પછીની સંખ્યાનો અર્થ છે કેટેગરીના માળખાનું સ્તર.

એકંદરે, તે પણ આશ્ચર્યજનક નથી કે સાંકડી શ્રેણીઓ વધુ સારા પરિણામો પ્રાપ્ત કરે છે, કારણ કે તેઓ ખરીદદારો માટે વધુ સચોટ "મનપસંદ" ઉત્પાદનો કાઢે છે.

અઠવાડિયા દર અઠવાડિયે વિવિધ માલસામાનની વૈકલ્પિક ખરીદી

એક રસપ્રદ અભિગમ કે જે મેં ભલામણકર્તા સિસ્ટમો વિશેના લેખોમાં જોયો નથી તે એકદમ સરળ અને તે જ સમયે માર્કોવ સાંકળોની કાર્યકારી આંકડાકીય પદ્ધતિ છે. અહીં અમે 2 અલગ-અલગ અઠવાડિયા લઈએ છીએ, પછી દરેક ગ્રાહક માટે અમે ઉત્પાદનોની જોડી બનાવીએ છીએ [અઠવાડિયા i માં ખરીદ્યું]-[અઠવાડિયે j માં ખરીદ્યું], જ્યાં j > i, અને અહીંથી અમે દરેક ઉત્પાદન માટે આવતા અઠવાડિયે બીજા ઉત્પાદન પર સ્વિચ કરવાની સંભાવનાની ગણતરી કરીએ છીએ. એટલે કે, માલની દરેક જોડી માટે ઉત્પાદન-ઉત્પાદન અમે તેમની સંખ્યાને મળેલી જોડીમાં ગણીએ છીએ અને જોડીની સંખ્યા દ્વારા વિભાજીત કરીએ છીએ, જ્યાં ઉત્પાદનો પ્રથમ સપ્તાહમાં હતી. ઉમેદવારોને કાઢવા માટે, અમે ખરીદનારની છેલ્લી રસીદ લઈએ છીએ અને અર્ક લઈએ છીએ ટોપ-કે અમને પ્રાપ્ત થયેલા સંક્રમણ મેટ્રિક્સમાંથી સૌથી વધુ સંભવિત આગામી ઉત્પાદનો. સંક્રમણ મેટ્રિક્સ બનાવવાની પ્રક્રિયા આના જેવી દેખાય છે:

સંક્રમણ સંભાવના મેટ્રિક્સના વાસ્તવિક ઉદાહરણોમાંથી આપણે નીચેની રસપ્રદ ઘટનાઓ જોઈએ છીએ:

અહીં તમે રસપ્રદ અવલંબન જોઈ શકો છો જે ઉપભોક્તા વર્તણૂકમાં પ્રગટ થાય છે: ઉદાહરણ તરીકે, સાઇટ્રસ ફળોના પ્રેમીઓ અથવા દૂધની બ્રાન્ડ જેમાંથી તેઓ બીજા પર સ્વિચ કરે તેવી શક્યતા છે. તે પણ આશ્ચર્યજનક નથી કે પુનરાવર્તિત ખરીદીની ઉચ્ચ આવર્તન સાથેના ઉત્પાદનો, જેમ કે માખણ, પણ અહીં સમાપ્ત થાય છે.

માર્કોવ સાંકળો સાથેની પદ્ધતિમાં મેટ્રિક્સ નીચે મુજબ છે:

k — ખરીદનારના છેલ્લા વ્યવહારમાંથી દરેક ખરીદેલ ઉત્પાદન માટે પુનઃપ્રાપ્ત કરવામાં આવેલ ઉત્પાદનોની સંખ્યા.
જેમ આપણે જોઈ શકીએ છીએ, શ્રેષ્ઠ પરિણામ k=4 સાથે રૂપરેખાંકન દ્વારા બતાવવામાં આવે છે. અઠવાડિયે 4 માં વધારો રજાઓની આસપાસ મોસમી વર્તન દ્વારા સમજાવી શકાય છે. 

વિવિધ મોડેલો દ્વારા બાંધવામાં આવેલી લાક્ષણિકતાઓ અનુસાર ખરીદદારો માટે સમાન ઉત્પાદનો

હવે અમે સૌથી મુશ્કેલ અને રસપ્રદ ભાગ પર આવ્યા છીએ - ગ્રાહકોના વેક્ટર અને વિવિધ મોડલ્સ અનુસાર બનેલા ઉત્પાદનોના આધારે નજીકના પડોશીઓની શોધ કરવી. અમારા કાર્યમાં અમે આવા 3 મોડેલોનો ઉપયોગ કરીએ છીએ:

• અલ્સ
• Word2Vec (આવા કાર્યો માટે Item2Vec)
• ડીએસએસએમ

અમે પહેલાથી જ ALS સાથે વ્યવહાર કર્યો છે, તમે તે કેવી રીતે શીખે છે તે વિશે વાંચી શકો છો અહીં. Word2Vec ના કિસ્સામાં, અમે મોડેલના જાણીતા અમલીકરણનો ઉપયોગ કરીએ છીએ gensim. પાઠો સાથે સામ્યતા દ્વારા, અમે ઓફરને ખરીદીની રસીદ તરીકે વ્યાખ્યાયિત કરીએ છીએ. આમ, ઉત્પાદન વેક્ટર બનાવતી વખતે, મોડેલ તેના "સંદર્ભ" (રસીદમાં બાકીના ઉત્પાદનો) માં ઉત્પાદન માટે આગાહી કરવાનું શીખે છે. ઈકોમર્સ ડેટામાં, રસીદને બદલે ખરીદનારના સત્રનો ઉપયોગ કરવો વધુ સારું છે; ઓઝોન. અને DSSM વિશ્લેષણ કરવા માટે વધુ રસપ્રદ છે. શરૂઆતમાં, તે માઇક્રોસોફ્ટના લોકો દ્વારા શોધ માટે એક મોડેલ તરીકે લખવામાં આવ્યું હતું, તમે મૂળ સંશોધન પેપર અહીં વાંચી શકો છો. મોડેલનું આર્કિટેક્ચર આના જેવું લાગે છે:

તે Q — ક્વેરી, યુઝર સર્ચ ક્વેરી, ડી[i] - દસ્તાવેજ, ઇન્ટરનેટ પૃષ્ઠ. મોડેલમાં ઇનપુટ અનુક્રમે વિનંતી અને પૃષ્ઠોની વિશેષતાઓ છે. દરેક ઇનપુટ સ્તર પછી સંખ્યાબંધ પૂર્ણપણે જોડાયેલા સ્તરો (મલ્ટિલેયર પરસેપ્ટ્રોન) હોય છે. આગળ, મોડેલ મોડેલના છેલ્લા સ્તરોમાં મેળવેલા વેક્ટર વચ્ચેના કોસાઇનને ઓછું કરવાનું શીખે છે.
ભલામણ કાર્યો બરાબર સમાન આર્કિટેક્ચરનો ઉપયોગ કરે છે, ફક્ત વિનંતીને બદલે વપરાશકર્તા છે, અને પૃષ્ઠોને બદલે ઉત્પાદનો છે. અને અમારા કિસ્સામાં, આ આર્કિટેક્ચર નીચેનામાં રૂપાંતરિત થાય છે:

હવે, પરિણામો ચકાસવા માટે, તે છેલ્લા બિંદુને આવરી લેવાનું બાકી છે - જો ALS અને DSSM ના કિસ્સામાં અમે સ્પષ્ટપણે વપરાશકર્તા વેક્ટર્સ વ્યાખ્યાયિત કર્યા છે, તો Word2Vec ના કિસ્સામાં અમારી પાસે ફક્ત ઉત્પાદન વેક્ટર્સ છે. અહીં, વપરાશકર્તા વેક્ટર બનાવવા માટે, અમે 3 મુખ્ય અભિગમો વ્યાખ્યાયિત કર્યા છે:

1. ફક્ત વેક્ટર ઉમેરો, પછી કોસાઇન અંતર માટે તે તારણ આપે છે કે અમે ખરીદ ઇતિહાસમાં ઉત્પાદનોની સરેરાશ બનાવી છે.
2. અમુક સમય વેઇટીંગ સાથે વેક્ટર સમેશન.
3. TF-IDF ગુણાંક સાથે માલનું વજન.

ખરીદનાર વેક્ટરના રેખીય વજનના કિસ્સામાં, અમે પૂર્વધારણાથી આગળ વધીએ છીએ કે વપરાશકર્તાએ ગઈકાલે ખરીદેલ ઉત્પાદન છ મહિના પહેલા ખરીદેલ ઉત્પાદન કરતાં તેના વર્તન પર વધુ પ્રભાવ ધરાવે છે. તેથી અમે ખરીદનારના પાછલા સપ્તાહને 1 ની મતભેદ સાથે અને ½, ⅓, વગેરેની મતભેદ સાથે આગળ શું થયું તે ધ્યાનમાં લઈએ છીએ:

TF-IDF ગુણાંક માટે, અમે ટેક્સ્ટ્સ માટે TF-IDF જેવું જ કરીએ છીએ, ફક્ત અમે ખરીદનારને દસ્તાવેજ તરીકે અને ચેકને ઑફર તરીકે ગણીએ છીએ, અનુક્રમે, શબ્દ એક ઉત્પાદન છે. આ રીતે, વપરાશકર્તાનું વેક્ટર દુર્લભ માલ તરફ વધુ શિફ્ટ થશે, જ્યારે ખરીદનાર માટે વારંવાર અને પરિચિત માલ તેને વધારે બદલશે નહીં. અભિગમને આ રીતે સમજાવી શકાય છે:

હવે ચાલો મેટ્રિક્સ જોઈએ. ALS પરિણામો આના જેવા દેખાય છે:

ખરીદનાર વેક્ટરના નિર્માણના વિવિધ ફેરફારો સાથે Item2Vec માટે મેટ્રિક્સ:

આ કિસ્સામાં, બરાબર એ જ મોડેલનો ઉપયોગ અમારી બેઝલાઇનમાં થાય છે. ફરક એટલો જ છે કે આપણે કયા k નો ઉપયોગ કરીશું. માત્ર સહયોગી મોડલનો ઉપયોગ કરવા માટે, તમારે દરેક ગ્રાહક માટે લગભગ 50-70 નજીકના ઉત્પાદનો લેવા પડશે.

અને DSSM અનુસાર મેટ્રિક્સ:

બધી પદ્ધતિઓ કેવી રીતે જોડવી?

સરસ, તમે કહો છો, પરંતુ ઉમેદવાર નિષ્કર્ષણ સાધનોના આટલા મોટા સમૂહનું શું કરવું? તમારા ડેટા માટે શ્રેષ્ઠ ગોઠવણી કેવી રીતે પસંદ કરવી? અહીં અમને ઘણી સમસ્યાઓ છે:

1. દરેક પદ્ધતિમાં હાયપરપેરામીટર માટે શોધ જગ્યાને કોઈક રીતે મર્યાદિત કરવી જરૂરી છે. તે, અલબત્ત, દરેક જગ્યાએ અલગ છે, પરંતુ સંભવિત બિંદુઓની સંખ્યા ખૂબ મોટી છે.
2. ચોક્કસ હાઇપરપેરામીટર્સ સાથે ચોક્કસ પદ્ધતિઓના નાના મર્યાદિત નમૂનાનો ઉપયોગ કરીને, તમે તમારા મેટ્રિક માટે શ્રેષ્ઠ ગોઠવણી કેવી રીતે પસંદ કરી શકો છો?

અમને હજુ સુધી પ્રથમ પ્રશ્નનો ચોક્કસ સાચો જવાબ મળ્યો નથી, તેથી અમે નીચેનામાંથી આગળ વધીએ છીએ: દરેક પદ્ધતિ માટે, અમારી પાસેના ડેટા પરના કેટલાક આંકડાઓને આધારે, એક હાઇપરપેરામીટર સર્ચ સ્પેસ લિમિટર લખવામાં આવે છે. આમ, લોકો પાસેથી ખરીદીઓ વચ્ચેનો સરેરાશ સમયગાળો જાણીને, અમે અનુમાન કરી શકીએ છીએ કે "પહેલેથી શું ખરીદ્યું છે" અને "લાંબા ભૂતકાળની ખરીદીનો સમયગાળો" પદ્ધતિનો ઉપયોગ કયા સમયગાળા સાથે કરવો.

અને અમે વિવિધ પદ્ધતિઓની ચોક્કસ પર્યાપ્ત સંખ્યામાં ભિન્નતાઓમાંથી પસાર થયા પછી, અમે નીચેની બાબતોની નોંધ લઈએ છીએ: દરેક અમલીકરણ ચોક્કસ સંખ્યામાં ઉમેદવારોને બહાર કાઢે છે અને અમારા માટે મુખ્ય મેટ્રિકનું ચોક્કસ મૂલ્ય ધરાવે છે (યાદ કરો). અમે અમારી અનુમતિપાત્ર કમ્પ્યુટિંગ શક્તિના આધારે, ઉચ્ચતમ સંભવિત મેટ્રિક સાથે, ચોક્કસ સંખ્યાના ઉમેદવારો મેળવવા માંગીએ છીએ. અહીં સમસ્યા સુંદર રીતે બેકપેકની સમસ્યામાં તૂટી જાય છે.

અહીં ઉમેદવારોની સંખ્યા એ પિંડનું વજન છે, અને રિકોલ પદ્ધતિ તેનું મૂલ્ય છે. જો કે, અલ્ગોરિધમનો અમલ કરતી વખતે 2 વધુ મુદ્દાઓ ધ્યાનમાં લેવા જોઈએ:

• તેઓ જે ઉમેદવારો મેળવે છે તેમાં પદ્ધતિઓ ઓવરલેપ થઈ શકે છે.
• કેટલાક કિસ્સાઓમાં, વિવિધ પરિમાણો સાથે એક પદ્ધતિને બે વાર લેવી યોગ્ય રહેશે, અને પ્રથમમાંથી ઉમેદવારનું આઉટપુટ બીજાનો સબસેટ હશે નહીં.

ઉદાહરણ તરીકે, જો આપણે પુનઃપ્રાપ્તિ માટે અલગ-અલગ અંતરાલો સાથે "મેં પહેલેથી જ ખરીદ્યું છે" પદ્ધતિના અમલીકરણને લઈએ, તો તેમના ઉમેદવારોના સેટ એકબીજાની અંદર નેસ્ટ કરવામાં આવશે. તે જ સમયે, બહાર નીકળતી વખતે "સામયિક ખરીદી" માં વિવિધ પરિમાણો સંપૂર્ણ આંતરછેદ પ્રદાન કરતા નથી. તેથી, અમે વિવિધ પરિમાણો સાથેના નમૂનાના અભિગમોને બ્લોક્સમાં વિભાજિત કરીએ છીએ જેમ કે દરેક બ્લોકમાંથી અમે ચોક્કસ હાયપરપેરામીટર્સ સાથે વધુમાં વધુ એક નિષ્કર્ષણ અભિગમ લેવા માંગીએ છીએ. આ કરવા માટે, તમારે નેપસેક સમસ્યાના અમલીકરણમાં થોડી હોંશિયાર થવાની જરૂર છે, પરંતુ એસિમ્પટિક્સ અને પરિણામ બદલાશે નહીં.

આ સ્માર્ટ કોમ્બિનેશન અમને ફક્ત સહયોગી મોડલ્સની સરખામણીમાં નીચેના મેટ્રિક્સ મેળવવાની મંજૂરી આપે છે:

અંતિમ મેટ્રિક્સમાં આપણે નીચેનું ચિત્ર જોઈએ છીએ:

જો કે, અહીં તમે નોંધ કરી શકો છો કે વ્યવસાય માટે ઉપયોગી ભલામણો માટે એક અનાવૃત મુદ્દો છે. હવે અમે હમણાં જ શીખ્યા છીએ કે વપરાશકર્તા શું ખરીદશે, ઉદાહરણ તરીકે, આવતા અઠવાડિયે તેની આગાહી કરવાનું એક સરસ કાર્ય કેવી રીતે કરવું. પરંતુ ખાલી એવી કોઈ વસ્તુ પર ડિસ્કાઉન્ટ આપવું જે તે પહેલેથી જ ખરીદશે તે ખૂબ સરસ નથી. પરંતુ અપેક્ષા વધારવા માટે તે સરસ છે, ઉદાહરણ તરીકે, નીચેના મેટ્રિક્સમાંથી:

1. વ્યક્તિગત ભલામણોના આધારે માર્જિન/ટર્નઓવર.
2. સરેરાશ ગ્રાહક તપાસ.
3. મુલાકાતોની આવર્તન.

તેથી અમે વિવિધ ગુણાંક દ્વારા પ્રાપ્ત સંભાવનાઓનો ગુણાકાર કરીએ છીએ અને તેમને ફરીથી રેન્ક કરીએ છીએ જેથી કરીને ઉપરના મેટ્રિક્સને અસર કરતા ઉત્પાદનો ટોચ પર આવે. કયા અભિગમનો ઉપયોગ કરવો શ્રેષ્ઠ છે તે માટે કોઈ તૈયાર ઉકેલ નથી. અમે ઉત્પાદનમાં સીધા આવા ગુણાંક સાથે પ્રયોગ પણ કરીએ છીએ. પરંતુ અહીં રસપ્રદ તકનીકો છે જે મોટાભાગે અમને શ્રેષ્ઠ પરિણામો આપે છે:

1. ઉત્પાદનની કિંમત/માર્જિન દ્વારા ગુણાકાર કરો.
2. સરેરાશ રસીદ દ્વારા ગુણાકાર કરો જેમાં ઉત્પાદન દેખાય છે. તેથી માલ આવશે, જેની સાથે તેઓ સામાન્ય રીતે કંઈક બીજું લે છે.
3. આ ઉત્પાદનના ખરીદદારો દ્વારા મુલાકાતોની સરેરાશ આવર્તન દ્વારા ગુણાકાર કરો, આ પૂર્વધારણાના આધારે કે આ ઉત્પાદન લોકોને તેના માટે વધુ વખત પાછા ફરવા ઉશ્કેરે છે.

ગુણાંક સાથે પ્રયોગો કર્યા પછી, અમે ઉત્પાદનમાં નીચેના મેટ્રિક્સ પ્રાપ્ત કર્યા:

તે એકંદર ઉત્પાદનો રૂપાંતર - અમે બનાવેલી ભલામણોમાં તમામ ઉત્પાદનોમાંથી ખરીદેલ ઉત્પાદનોનો હિસ્સો.

સચેત વાચક ઑફલાઇન અને ઑનલાઇન મેટ્રિક્સ વચ્ચે નોંધપાત્ર તફાવત જોશે. આ વર્તણૂક એ હકીકત દ્વારા સમજાવવામાં આવી છે કે મોડેલને તાલીમ આપતી વખતે ભલામણ કરી શકાય તેવા ઉત્પાદનો માટેના તમામ ગતિશીલ ફિલ્ટર્સ ધ્યાનમાં લેવામાં આવતાં નથી. અમારા માટે, તે એક સામાન્ય વાર્તા છે જ્યારે પુનઃપ્રાપ્ત ઉમેદવારોમાંથી અડધાને ફિલ્ટર કરી શકાય છે; આ વિશિષ્ટતા અમારા ઉદ્યોગમાં લાક્ષણિક છે.

આવકના સંદર્ભમાં, નીચેની વાર્તા પ્રાપ્ત થાય છે, તે સ્પષ્ટ છે કે ભલામણો શરૂ થયા પછી, પરીક્ષણ જૂથની આવક મજબૂત રીતે વધી રહી છે, હવે અમારી ભલામણો સાથે આવકમાં સરેરાશ વધારો 3-4% છે:

નિષ્કર્ષમાં, હું કહેવા માંગુ છું કે જો તમને બિન-વાસ્તવિક ભલામણોની જરૂર હોય, તો ભલામણો માટે ઉમેદવારોને કાઢવા સાથેના પ્રયોગોમાં ગુણવત્તામાં ખૂબ જ મોટો વધારો જોવા મળી શકે છે. તેમની પેઢી માટે સમયનો મોટો જથ્થો ઘણી સારી પદ્ધતિઓને જોડવાનું શક્ય બનાવે છે, જે કુલ મળીને વ્યવસાય માટે ઉત્તમ પરિણામો આપશે.

સામગ્રીને રસપ્રદ લાગતી કોઈપણ વ્યક્તિ સાથે ટિપ્પણીઓમાં ચેટ કરવામાં મને આનંદ થશે. તમે મને વ્યક્તિગત રીતે પ્રશ્નો પૂછી શકો છો ટેલિગ્રામ. હું એઆઈ/સ્ટાર્ટઅપ વિશે મારા વિચારો પણ શેર કરું છું ટેલિગ્રામ ચેનલ - સ્વાગત છે :)

સોર્સ: www.habr.com