नमस्ते! मेरा नाम साशा है, मैं लॉयल्टीलैब में सीटीओ और सह-संस्थापक हूं। दो साल पहले, मैं और मेरे दोस्त, सभी गरीब छात्रों की तरह, शाम को हमारे घर के पास की दुकान पर बीयर खरीदने गए थे। हम इस बात से बहुत परेशान थे कि खुदरा विक्रेता ने यह जानते हुए भी कि हम बीयर लेने आएंगे, चिप्स या पटाखों पर छूट की पेशकश नहीं की, हालांकि यह बहुत तर्कसंगत था! हमें समझ नहीं आया कि ऐसी स्थिति क्यों हो रही है और हमने अपनी कंपनी शुरू करने का फैसला किया। खैर, बोनस के रूप में, हर शुक्रवार को उन्हीं चिप्स पर खुद को छूट दें।

और यह सब उस बिंदु पर पहुंच गया जहां मैं उत्पाद के तकनीकी पक्ष पर सामग्री प्रस्तुत कर रहा हूं NVIDIA जीटीसी. हमें अपना काम समुदाय के साथ साझा करने में खुशी हो रही है, इसलिए मैं अपनी रिपोर्ट एक लेख के रूप में प्रकाशित कर रहा हूं।

परिचय

यात्रा की शुरुआत में हर किसी की तरह, हमने इस अवलोकन के साथ शुरुआत की कि अनुशंसा प्रणाली कैसे बनाई जाती है। और सबसे लोकप्रिय वास्तुकला निम्न प्रकार की निकली:

यह दो हिस्सों से मिलकर बना है:

1. एक सरल और तेज़ मॉडल का उपयोग करके अनुशंसाओं के लिए उम्मीदवारों का नमूना लेना, आमतौर पर एक सहयोगी मॉडल।
2. डेटा में सभी संभावित विशेषताओं को ध्यान में रखते हुए, अधिक जटिल और धीमी सामग्री मॉडल वाले उम्मीदवारों की रैंकिंग।

इसके बाद मैं निम्नलिखित शब्दों का उपयोग करूंगा:

• सिफ़ारिशों के लिए उम्मीदवार/उम्मीदवार - एक उपयोगकर्ता-उत्पाद जोड़ी जिसे संभावित रूप से उत्पादन में अनुशंसाओं में शामिल किया जा सकता है।
• उम्मीदवार निष्कर्षण/निकालने वाला/उम्मीदवार निष्कर्षण विधि - उपलब्ध डेटा से "सिफारिश उम्मीदवार" निकालने की एक प्रक्रिया या विधि।

पहले चरण में आमतौर पर सहयोगी फ़िल्टरिंग के विभिन्न रूपों का उपयोग करना शामिल होता है। सबसे लोकप्रिय - ए एल एस. यह आश्चर्य की बात है कि अनुशंसा प्रणाली के बारे में अधिकांश लेख केवल पहले चरण में सहयोगी मॉडल में विभिन्न सुधारों को प्रकट करते हैं, लेकिन कोई भी अन्य नमूनाकरण विधियों के बारे में ज्यादा बात नहीं करता है। हमारे लिए, केवल सहयोगी मॉडल और उनके साथ विभिन्न अनुकूलन का उपयोग करने का दृष्टिकोण उस गुणवत्ता के साथ काम नहीं करता था जिसकी हमें उम्मीद थी, इसलिए हमने इस भाग पर विशेष रूप से शोध किया। और लेख के अंत में मैं दिखाऊंगा कि हम एएलएस, जो हमारी आधार रेखा थी, में कितना सुधार करने में सक्षम थे।

इससे पहले कि मैं अपने दृष्टिकोण का वर्णन करने के लिए आगे बढ़ूं, यह ध्यान रखना महत्वपूर्ण है कि वास्तविक समय की सिफारिशों में, जब हमारे लिए 30 मिनट पहले हुए डेटा को ध्यान में रखना महत्वपूर्ण होता है, तो वास्तव में ऐसे कई दृष्टिकोण नहीं होते हैं जो आवश्यक समय में काम कर सकें। लेकिन, हमारे मामले में, हमें दिन में एक बार से अधिक सिफारिशें एकत्र नहीं करनी होती हैं, और ज्यादातर मामलों में - सप्ताह में एक बार, जो हमें जटिल मॉडल का उपयोग करने और गुणवत्ता में कई गुना सुधार करने का अवसर देता है।

आइए आधार रेखा के रूप में लें कि उम्मीदवारों को निकालने के कार्य में केवल एएलएस क्या मेट्रिक्स दिखाता है। हमारे द्वारा मॉनिटर किए जाने वाले प्रमुख मेट्रिक्स हैं:

• परिशुद्धता - चयनित अभ्यर्थियों में से सही ढंग से चयनित अभ्यर्थियों का अनुपात।
• स्मरण उन अभ्यर्थियों का अनुपात है जो वास्तव में लक्ष्य अंतराल में थे।
• एफ1-स्कोर - पिछले दो बिंदुओं पर गणना की गई एफ-माप।

हम अतिरिक्त सामग्री सुविधाओं के साथ ग्रेडिएंट बूस्टिंग के प्रशिक्षण के बाद अंतिम मॉडल के मेट्रिक्स को भी देखेंगे। यहां 3 मुख्य मीट्रिक भी हैं:

• Precision@5 - प्रत्येक खरीदार के लिए संभावना के संदर्भ में शीर्ष 5 से उत्पादों का औसत प्रतिशत।
• प्रतिक्रिया-दर@5 - स्टोर पर जाने से ग्राहकों का कम से कम एक व्यक्तिगत ऑफर (एक ऑफर में 5 उत्पाद) की खरीदारी में रूपांतरण।
• औसत roc-auc प्रति उपयोगकर्ता - औसत रॉक-औक प्रत्येक खरीदार के लिए.

यह ध्यान रखना महत्वपूर्ण है कि इन सभी मैट्रिक्स को मापा जाता है समय-श्रृंखला क्रॉस-सत्यापन, यानी, प्रशिक्षण पहले k सप्ताह में होता है, और k+1 सप्ताह को परीक्षण डेटा के रूप में लिया जाता है। इस प्रकार, मौसमी उतार-चढ़ाव का मॉडलों की गुणवत्ता की व्याख्या पर न्यूनतम प्रभाव पड़ा। इसके अलावा सभी ग्राफ़ पर, एब्सिस्सा अक्ष क्रॉस-वैलिडेशन में सप्ताह संख्या को इंगित करेगा, और कोर्डिनेट अक्ष निर्दिष्ट मीट्रिक के मूल्य को इंगित करेगा। सभी ग्राफ़ एक ग्राहक से लेनदेन डेटा पर आधारित होते हैं ताकि एक दूसरे के बीच तुलना सही हो।

इससे पहले कि हम अपने दृष्टिकोण का वर्णन करना शुरू करें, हम पहले आधार रेखा को देखते हैं, जो एक एएलएस-प्रशिक्षित मॉडल है।
उम्मीदवार पुनर्प्राप्ति मेट्रिक्स:

अंतिम मेट्रिक्स:

मैं एल्गोरिदम के सभी कार्यान्वयन को किसी प्रकार की व्यावसायिक परिकल्पना के रूप में मानता हूं। इस प्रकार, मोटे तौर पर, किसी भी सहयोगी मॉडल को एक परिकल्पना के रूप में माना जा सकता है कि "लोग वही खरीदते हैं जो उनके समान लोग खरीदते हैं।" जैसा कि मैंने पहले ही कहा, हमने खुद को ऐसे शब्दार्थ तक सीमित नहीं रखा है, और यहां कुछ परिकल्पनाएं हैं जो ऑफ़लाइन खुदरा क्षेत्र में डेटा पर अच्छी तरह से काम करती हैं:

1. जिसे मैं पहले भी खरीद चुका हूं.
2. जैसा मैंने पहले खरीदा था वैसा ही।
3. बहुत पुरानी खरीदारी की अवधि.
4. श्रेणी/ब्रांड के अनुसार लोकप्रिय.
5. सप्ताह-दर-सप्ताह विभिन्न वस्तुओं की वैकल्पिक खरीदारी (मार्कोव श्रृंखलाएं)।
6. विभिन्न मॉडलों (Word2Vec, DSSM, आदि) द्वारा निर्मित विशेषताओं के अनुसार, खरीदारों के लिए समान उत्पाद।

आपने पहले क्या खरीदा था?

सबसे स्पष्ट अनुमान जो किराना खुदरा क्षेत्र में बहुत अच्छी तरह से काम करता है। यहां हम वे सभी सामान लेते हैं जो लॉयल्टी कार्ड धारक ने पिछले K दिनों (आमतौर पर 1-3 सप्ताह), या एक साल पहले K दिनों में खरीदे थे। केवल इस पद्धति को लागू करने पर, हमें निम्नलिखित मेट्रिक्स प्राप्त होते हैं:

यहां यह बिल्कुल स्पष्ट है कि हम जितनी अधिक अवधि लेंगे, हमारी याददाश्त उतनी ही अधिक होगी और हमारे पास सटीकता कम होगी और इसके विपरीत। औसतन, "अंतिम 2 सप्ताह" ग्राहकों के लिए बेहतर परिणाम देते हैं।

जैसा मैंने पहले खरीदा था वैसा ही

यह आश्चर्य की बात नहीं है कि किराने की खुदरा बिक्री के लिए "जो मैंने पहले खरीदा था" अच्छी तरह से काम करता है, लेकिन उपयोगकर्ता ने जो पहले ही खरीदा है उसमें से केवल उम्मीदवारों को निकालना बहुत अच्छा नहीं है, क्योंकि कुछ नए उत्पाद के साथ खरीदार को आश्चर्यचकित करने की संभावना नहीं है। इसलिए, हम उन्हीं सहयोगी मॉडलों का उपयोग करके इस अनुमान में थोड़ा सुधार करने का प्रस्ताव करते हैं। एएलएस प्रशिक्षण के दौरान हमें जो वैक्टर प्राप्त हुए, उनसे हम वही उत्पाद प्राप्त कर सकते हैं जो उपयोगकर्ता पहले ही खरीद चुका है। यह विचार वीडियो सामग्री देखने की सेवाओं में "समान वीडियो" के समान है, लेकिन चूंकि हम नहीं जानते कि उपयोगकर्ता किसी विशेष क्षण में क्या खा रहा है/खरीद रहा है, हम केवल वही खोज सकते हैं जो उसने पहले ही खरीद लिया है, खासकर चूँकि हम पहले से ही जानते हैं कि यह कितनी अच्छी तरह काम करता है। पिछले 2 सप्ताहों में उपयोगकर्ता लेनदेन पर इस पद्धति को लागू करने पर, हमें निम्नलिखित मीट्रिक प्राप्त होते हैं:

यहां k - पिछले 14 दिनों में खरीदार द्वारा खरीदे गए प्रत्येक उत्पाद के लिए पुनर्प्राप्त किए गए समान उत्पादों की संख्या।
इस दृष्टिकोण ने विशेष रूप से हमारे ग्राहक के लिए अच्छा काम किया, जिनके लिए उपयोगकर्ता के खरीद इतिहास में पहले से मौजूद किसी भी चीज़ की अनुशंसा न करना महत्वपूर्ण था।

देर से खरीदारी की अवधि

जैसा कि हम पहले ही पता लगा चुके हैं, सामान खरीदने की उच्च आवृत्ति के कारण, पहला दृष्टिकोण हमारी विशिष्ट आवश्यकताओं के लिए अच्छा काम करता है। लेकिन वॉशिंग पाउडर/शैम्पू/आदि जैसे सामानों के बारे में क्या? अर्थात्, ऐसे उत्पादों के साथ जिनकी हर हफ्ते या दो सप्ताह में आवश्यकता होने की संभावना नहीं है और जिन्हें पिछले तरीकों से नहीं निकाला जा सकता है। इससे निम्नलिखित विचार सामने आता है - उन ग्राहकों के लिए औसतन प्रत्येक उत्पाद की खरीद की अवधि की गणना करने का प्रस्ताव है जिन्होंने उत्पाद अधिक खरीदा है k एक बार। और फिर वह चीज़ निकालें जो खरीदार के पास संभवतः पहले ही ख़त्म हो चुकी हो। पर्याप्तता के लिए वस्तुओं की गणना की गई अवधि को आपकी आंखों से जांचा जा सकता है:

और फिर हम देखेंगे कि क्या उत्पाद अवधि का अंत उस समय अंतराल के भीतर होता है जब सिफारिशें उत्पादन में होंगी और क्या होता है इसका नमूना लेंगे। दृष्टिकोण को इस प्रकार चित्रित किया जा सकता है:

यहां हमारे पास 2 मुख्य मामले हैं जिन पर विचार किया जा सकता है:

1. क्या उन ग्राहकों से उत्पादों का नमूना लेना आवश्यक है जिन्होंने उत्पाद को K बार से कम खरीदा है।
2. यदि किसी उत्पाद की अवधि का अंत लक्ष्य अंतराल की शुरुआत से पहले होता है तो क्या उसका नमूना लेना आवश्यक है?

निम्नलिखित ग्राफ़ दिखाता है कि यह विधि विभिन्न हाइपरपैरामीटर के साथ क्या परिणाम प्राप्त करती है:

ft - केवल उन्हीं ग्राहकों को लें जिन्होंने उत्पाद को कम से कम K (यहां K=5) बार खरीदा हो
tm - केवल उन्हीं अभ्यर्थियों को लें जो लक्ष्य अंतराल के अंतर्गत आते हों

यह आश्चर्य की बात नहीं है कि वह सक्षम है (0, 0) सबसे बड़ा याद और सबसे छोटा शुद्धता, क्योंकि इस शर्त के तहत अधिकांश उम्मीदवारों को पुनः प्राप्त कर लिया जाता है। हालाँकि, सर्वोत्तम परिणाम तब प्राप्त होते हैं जब हम उन ग्राहकों के लिए उत्पादों का नमूना नहीं लेते हैं जिन्होंने किसी विशेष उत्पाद को कम कीमत पर खरीदा है k माल सहित समय और उद्धरण, जिसकी अवधि का अंत लक्ष्य अंतराल से पहले होता है।

श्रेणी के अनुसार लोकप्रिय

एक और बिल्कुल स्पष्ट विचार विभिन्न श्रेणियों या ब्रांडों में लोकप्रिय उत्पादों का नमूना लेना है। यहां हम प्रत्येक खरीदार के लिए गणना करते हैं टॉप-कश्मीर "पसंदीदा" श्रेणियां/ब्रांड और इस श्रेणी/ब्रांड से "लोकप्रिय" निकालें। हमारे मामले में, हम उत्पाद की खरीद की संख्या से "पसंदीदा" और "लोकप्रिय" का निर्धारण करेंगे। इस दृष्टिकोण का एक अतिरिक्त लाभ कोल्ड स्टार्ट मामले में इसकी प्रयोज्यता है। यानी, उन ग्राहकों के लिए जिन्होंने या तो बहुत कम खरीदारी की है, या लंबे समय से स्टोर पर नहीं गए हैं, या सिर्फ लॉयल्टी कार्ड जारी किया है। उनके लिए, उन वस्तुओं को स्टॉक करना आसान और बेहतर है जो ग्राहकों के बीच लोकप्रिय हैं और जिनका इतिहास है। परिणामी मेट्रिक्स हैं:

यहां "श्रेणी" शब्द के बाद की संख्या का अर्थ श्रेणी के घोंसले के स्तर से है।

कुल मिलाकर, यह भी आश्चर्य की बात नहीं है कि संकीर्ण श्रेणियां बेहतर परिणाम प्राप्त करती हैं, क्योंकि वे खरीदारों के लिए अधिक सटीक "पसंदीदा" उत्पाद निकालते हैं।

सप्ताह-दर-सप्ताह विभिन्न वस्तुओं की वैकल्पिक खरीदारी

एक दिलचस्प दृष्टिकोण जो मैंने अनुशंसित प्रणालियों के बारे में लेखों में नहीं देखा है, वह काफी सरल है और साथ ही मार्कोव श्रृंखलाओं की कार्यशील सांख्यिकीय पद्धति है। यहां हम 2 अलग-अलग सप्ताह लेते हैं, फिर प्रत्येक ग्राहक के लिए हम उत्पादों के जोड़े बनाते हैं [सप्ताह i में खरीदा]-[सप्ताह j में खरीदा], जहां j > i, और यहां से हम प्रत्येक उत्पाद के लिए अगले सप्ताह किसी अन्य उत्पाद पर स्विच करने की संभावना की गणना करते हैं। यानी प्रत्येक जोड़ी सामान के लिए producti-productj हम पाए गए जोड़ियों में उनकी संख्या गिनते हैं और जोड़ियों की संख्या से विभाजित करते हैं, जहां उत्पा पहले सप्ताह में था. उम्मीदवारों को निकालने के लिए, हम खरीदार की अंतिम रसीद लेते हैं और उद्धरण देते हैं टॉप-कश्मीर हमें प्राप्त संक्रमण मैट्रिक्स से सबसे संभावित अगले उत्पाद। ट्रांज़िशन मैट्रिक्स के निर्माण की प्रक्रिया इस प्रकार है:

संक्रमण संभाव्यता मैट्रिक्स में वास्तविक उदाहरणों से हम निम्नलिखित दिलचस्प घटनाएं देखते हैं:

यहां आप दिलचस्प निर्भरताएं देख सकते हैं जो उपभोक्ता व्यवहार में प्रकट होती हैं: उदाहरण के लिए, खट्टे फल या दूध के एक ब्रांड के प्रेमी जिससे वे दूसरे ब्रांड पर स्विच करने की संभावना रखते हैं। यह भी आश्चर्य की बात नहीं है कि बार-बार खरीदारी की उच्च आवृत्ति वाले उत्पाद, जैसे मक्खन, भी यहीं समाप्त हो जाते हैं।

मार्कोव श्रृंखलाओं वाली विधि में मेट्रिक्स इस प्रकार हैं:

k - खरीदार के अंतिम लेनदेन से प्रत्येक खरीदे गए उत्पाद के लिए प्राप्त उत्पादों की संख्या।
जैसा कि हम देख सकते हैं, सबसे अच्छा परिणाम k=4 के साथ कॉन्फ़िगरेशन द्वारा दिखाया गया है। सप्ताह 4 में बढ़ोतरी को छुट्टियों के दौरान मौसमी व्यवहार द्वारा समझाया जा सकता है। 

विभिन्न मॉडलों द्वारा निर्मित विशेषताओं के अनुसार, खरीदारों के लिए समान उत्पाद

अब हम सबसे कठिन और दिलचस्प हिस्से पर आ गए हैं - ग्राहकों के वैक्टर और विभिन्न मॉडलों के अनुसार निर्मित उत्पादों के आधार पर निकटतम पड़ोसियों की खोज। अपने काम में हम ऐसे 3 मॉडल का उपयोग करते हैं:

• ए एल एस
• Word2Vec (ऐसे कार्यों के लिए Item2Vec)
• डीएसएसएम

हम पहले ही एएलएस से निपट चुके हैं, आप इसके बारे में पढ़ सकते हैं कि यह कैसे सीखता है यहां. Word2Vec के मामले में, हम मॉडल के प्रसिद्ध कार्यान्वयन का उपयोग करते हैं gensim. पाठों के अनुरूप, हम प्रस्ताव को खरीद रसीद के रूप में परिभाषित करते हैं। इस प्रकार, उत्पाद वेक्टर का निर्माण करते समय, मॉडल रसीद में उत्पाद के लिए उसके "संदर्भ" (रसीद में शेष उत्पाद) की भविष्यवाणी करना सीखता है। ईकॉमर्स डेटा में, रसीद के बजाय खरीदार के सत्र का उपयोग करना बेहतर है; दोस्तों से ओजोन. और डीएसएसएम को पार्स करना अधिक दिलचस्प है। प्रारंभ में, इसे माइक्रोसॉफ्ट के लोगों द्वारा खोज के लिए एक मॉडल के रूप में लिखा गया था, आप मूल शोध पत्र यहां पढ़ सकते हैं. मॉडल की वास्तुकला इस तरह दिखती है:

यहां Q — क्वेरी, उपयोगकर्ता खोज क्वेरी, डी[i] - दस्तावेज़, इंटरनेट पेज। मॉडल का इनपुट क्रमशः अनुरोध और पृष्ठों की विशेषताएँ हैं। प्रत्येक इनपुट परत के बाद कई पूरी तरह से जुड़ी हुई परतें (मल्टीलेयर परसेप्ट्रॉन) होती हैं। इसके बाद, मॉडल मॉडल की अंतिम परतों में प्राप्त वैक्टरों के बीच कोसाइन को कम करना सीखता है।
अनुशंसा कार्य बिल्कुल उसी आर्किटेक्चर का उपयोग करते हैं, केवल अनुरोध के बजाय एक उपयोगकर्ता होता है, और पृष्ठों के बजाय उत्पाद होते हैं। और हमारे मामले में, यह वास्तुकला निम्नलिखित में परिवर्तित हो गई है:

अब, परिणामों की जांच करने के लिए, अंतिम बिंदु को कवर करना बाकी है - यदि एएलएस और डीएसएसएम के मामले में हमने स्पष्ट रूप से उपयोगकर्ता वैक्टर को परिभाषित किया है, तो Word2Vec के मामले में हमारे पास केवल उत्पाद वैक्टर हैं। यहां, उपयोगकर्ता वेक्टर बनाने के लिए, हमने 3 मुख्य दृष्टिकोण परिभाषित किए हैं:

1. बस वैक्टर जोड़ें, फिर कोसाइन दूरी के लिए यह पता चलता है कि हमने खरीदारी इतिहास में केवल उत्पादों का औसत निकाला है।
2. कुछ समय के भार के साथ वेक्टर योग।
3. टीएफ-आईडीएफ गुणांक के साथ माल का वजन।

खरीदार वेक्टर के रैखिक भार के मामले में, हम इस परिकल्पना से आगे बढ़ते हैं कि उपयोगकर्ता ने कल जो उत्पाद खरीदा है, उसका उसके व्यवहार पर उस उत्पाद की तुलना में अधिक प्रभाव पड़ता है जो उसने छह महीने पहले खरीदा था। इसलिए हम 1 के अंतर के साथ खरीदार के पिछले सप्ताह पर विचार करते हैं, और ½, ⅓, आदि के अंतर के साथ आगे क्या हुआ:

TF-IDF गुणांकों के लिए, हम बिल्कुल वैसा ही करते हैं जैसा कि ग्रंथों के लिए TF-IDF में होता है, केवल हम खरीदार को एक दस्तावेज़ के रूप में और चेक को एक प्रस्ताव के रूप में मानते हैं, शब्द एक उत्पाद है। इस तरह, उपयोगकर्ता का वेक्टर दुर्लभ वस्तुओं की ओर अधिक स्थानांतरित हो जाएगा, जबकि खरीदार के लिए लगातार और परिचित सामान इसमें ज्यादा बदलाव नहीं करेगा। दृष्टिकोण को इस प्रकार चित्रित किया जा सकता है:

अब आइए मेट्रिक्स पर नजर डालें। एएलएस परिणाम इस प्रकार दिखते हैं:

खरीदार वेक्टर के निर्माण की विभिन्न विविधताओं के साथ Item2Vec के लिए मेट्रिक्स:

इस मामले में, बिल्कुल उसी मॉडल का उपयोग किया जाता है जैसा कि हमारी बेसलाइन में किया जाता है। फर्क सिर्फ इतना है कि हम किस k का उपयोग करेंगे। केवल सहयोगी मॉडल का उपयोग करने के लिए, आपको प्रत्येक ग्राहक के लिए लगभग 50-70 निकटतम उत्पाद लेने होंगे।

और DSSM के अनुसार मेट्रिक्स:

सभी विधियों को कैसे संयोजित करें?

अच्छा है, आप कहते हैं, लेकिन उम्मीदवार निष्कर्षण उपकरणों के इतने बड़े सेट का क्या करें? अपने डेटा के लिए इष्टतम कॉन्फ़िगरेशन कैसे चुनें? यहां हमें कई समस्याएं हैं:

1. प्रत्येक विधि में हाइपरपैरामीटर के लिए खोज स्थान को किसी तरह सीमित करना आवश्यक है। बेशक, यह हर जगह अलग है, लेकिन संभावित बिंदुओं की संख्या बहुत बड़ी है।
2. विशिष्ट हाइपरपैरामीटर के साथ विशिष्ट विधियों के एक छोटे सीमित नमूने का उपयोग करके, आप अपने मीट्रिक के लिए सर्वोत्तम कॉन्फ़िगरेशन का चयन कैसे कर सकते हैं?

हमें अभी तक पहले प्रश्न का निश्चित रूप से सही उत्तर नहीं मिला है, इसलिए हम निम्नलिखित से आगे बढ़ते हैं: प्रत्येक विधि के लिए, एक हाइपरपैरामीटर खोज स्थान सीमक लिखा जाता है, जो हमारे पास मौजूद डेटा के कुछ आंकड़ों पर निर्भर करता है। इस प्रकार, लोगों से खरीदारी के बीच की औसत अवधि को जानकर, हम अनुमान लगा सकते हैं कि किस अवधि में "जो पहले ही खरीदा जा चुका है" और "लंबे समय से पहले की खरीदारी की अवधि" पद्धति का उपयोग करना है।

और विभिन्न तरीकों की एक निश्चित पर्याप्त संख्या में विविधताओं से गुज़रने के बाद, हम निम्नलिखित पर ध्यान देते हैं: प्रत्येक कार्यान्वयन एक निश्चित संख्या में उम्मीदवारों को निकालता है और हमारे लिए मुख्य मीट्रिक का एक निश्चित मूल्य रखता है (याद रखें)। हम अपनी स्वीकार्य कंप्यूटिंग शक्ति के आधार पर, उच्चतम संभव मीट्रिक के साथ, कुल मिलाकर एक निश्चित संख्या में उम्मीदवार प्राप्त करना चाहते हैं। यहां समस्या खूबसूरती से बैकपैक समस्या में बदल जाती है।

यहां उम्मीदवारों की संख्या पिंड का वजन है, और रिकॉल विधि इसका मूल्य है। हालाँकि, 2 और बिंदु हैं जिन्हें एल्गोरिदम लागू करते समय ध्यान में रखा जाना चाहिए:

• जिन अभ्यर्थियों को वे पुनः प्राप्त करते हैं उनमें विधियाँ ओवरलैप हो सकती हैं।
• कुछ मामलों में, अलग-अलग मापदंडों के साथ एक विधि को दो बार लेना सही होगा, और पहले से उम्मीदवार आउटपुट दूसरे का सबसेट नहीं होगा।

उदाहरण के लिए, यदि हम पुनर्प्राप्ति के लिए अलग-अलग अंतराल के साथ "जो मैंने पहले ही खरीदा है" पद्धति का कार्यान्वयन करते हैं, तो उनके उम्मीदवारों के सेट एक-दूसरे के भीतर निहित होंगे। साथ ही, निकास पर "आवधिक खरीद" में विभिन्न पैरामीटर पूर्ण प्रतिच्छेदन प्रदान नहीं करते हैं। इसलिए, हम नमूना दृष्टिकोण को विभिन्न मापदंडों के साथ ब्लॉकों में विभाजित करते हैं जैसे कि प्रत्येक ब्लॉक से हम विशिष्ट हाइपरपैरामीटर के साथ अधिकतम एक निष्कर्षण दृष्टिकोण लेना चाहते हैं। ऐसा करने के लिए, आपको नैपसैक समस्या को लागू करने में थोड़ा चतुर होने की आवश्यकता है, लेकिन स्पर्शोन्मुखता और परिणाम नहीं बदलेंगे।

यह स्मार्ट संयोजन हमें केवल सहयोगी मॉडल की तुलना में निम्नलिखित मेट्रिक्स प्राप्त करने की अनुमति देता है:

अंतिम मेट्रिक्स में हम निम्नलिखित चित्र देखते हैं:

हालाँकि, यहां आप देख सकते हैं कि व्यवसाय के लिए उपयोगी अनुशंसाओं के लिए एक खुला बिंदु है। अब हमने यह सीख लिया है कि उपयोगकर्ता क्या खरीदेगा, उदाहरण के लिए अगले सप्ताह, इसकी भविष्यवाणी कैसे की जाए। लेकिन जो चीज़ वह पहले ही खरीद लेगा उस पर केवल छूट दे देना बहुत अच्छा नहीं है। लेकिन, उदाहरण के लिए, निम्नलिखित मेट्रिक्स की अपेक्षा को अधिकतम करना अच्छा है:

1. व्यक्तिगत अनुशंसाओं के आधार पर मार्जिन/टर्नओवर।
2. औसत ग्राहक जांच.
3. यात्राओं की आवृत्ति.

इसलिए हम प्राप्त संभावनाओं को विभिन्न गुणांकों से गुणा करते हैं और उन्हें पुन: रैंक करते हैं ताकि उपरोक्त मैट्रिक्स को प्रभावित करने वाले उत्पाद शीर्ष पर पहुंच जाएं। इसका कोई तैयार समाधान नहीं है कि किस दृष्टिकोण का उपयोग करना सर्वोत्तम है। हम ऐसे गुणांकों के साथ सीधे उत्पादन में भी प्रयोग करते हैं। लेकिन यहां दिलचस्प तकनीकें हैं जो अक्सर हमें सर्वोत्तम परिणाम देती हैं:

1. उत्पाद की कीमत/मार्जिन से गुणा करें।
2. उस औसत रसीद से गुणा करें जिसमें उत्पाद दिखाई देता है। तो सामान आएगा, जिसके साथ वे आमतौर पर कुछ और लेते हैं।
3. इस उत्पाद के खरीदारों द्वारा विजिट की औसत आवृत्ति से गुणा करें, इस परिकल्पना के आधार पर कि यह उत्पाद लोगों को इसके लिए अधिक बार लौटने के लिए उकसाता है।

गुणांकों के साथ प्रयोग करने के बाद, हमें उत्पादन में निम्नलिखित मीट्रिक प्राप्त हुए:

यहां समग्र उत्पाद रूपांतरण - हमारे द्वारा तैयार की गई अनुशंसाओं में सभी उत्पादों में से खरीदे गए उत्पादों का हिस्सा।

चौकस पाठक ऑफ़लाइन और ऑनलाइन मेट्रिक्स के बीच एक महत्वपूर्ण अंतर देखेंगे। इस व्यवहार को इस तथ्य से समझाया गया है कि मॉडल को प्रशिक्षित करते समय अनुशंसित उत्पादों के लिए सभी गतिशील फ़िल्टर को ध्यान में नहीं रखा जा सकता है। हमारे लिए, यह एक सामान्य कहानी है जब पुनर्प्राप्त उम्मीदवारों में से आधे को फ़िल्टर किया जा सकता है; यह विशिष्टता हमारे उद्योग में विशिष्ट है।

राजस्व के संदर्भ में, निम्नलिखित कहानी प्राप्त होती है, यह स्पष्ट है कि सिफारिशों के लॉन्च के बाद, परीक्षण समूह का राजस्व दृढ़ता से बढ़ रहा है, अब हमारी सिफारिशों के साथ राजस्व में औसत वृद्धि 3-4% है:

अंत में, मैं यह कहना चाहता हूं कि यदि आपको गैर-वास्तविक अनुशंसाओं की आवश्यकता है, तो अनुशंसाओं के लिए उम्मीदवारों को निकालने के प्रयोगों में गुणवत्ता में बहुत बड़ी वृद्धि पाई जा सकती है। उनकी पीढ़ी के लिए बड़ी मात्रा में समय कई अच्छे तरीकों को संयोजित करना संभव बनाता है, जो कुल मिलाकर व्यवसाय के लिए अच्छे परिणाम देगा।

जिस किसी को भी सामग्री दिलचस्प लगेगी, उसके साथ टिप्पणियों में बातचीत करने में मुझे खुशी होगी। आप मुझसे व्यक्तिगत रूप से प्रश्न पूछ सकते हैं तार. मैं एआई/स्टार्टअप के बारे में भी अपने विचार साझा करता हूं टेलीग्राम चैनल - स्वागत :)

स्रोत: www.habr.com