Բարև ձեզ! Իմ անունն է Սաշա, ես LoyaltyLab-ի CTO & համասдатьն եմ: Երկու տարի առաջ ես ընկերներիս հետ, ինչպես բոլոր աղքատ ուսանողները, երեկոյան գնում էի հարևան խանութից bière գնել: Մեզ շատ բանալ էր, որ վաճառողը, գիտակցելով, որ մենք կգանք bière գնելու, չառաջարկեց զեղչ չիպսերի կամ չոր մթերքի համար, չնայած այդքան منطկում է! Մենք չհասկացանք, թե ինչու է այս իրավիճակը տեղի ունենում և որոշեցինք ստեղծել մեր ընկերությունը: Ավելին, վերջում յուրաքանչյուր ուրբաթ մենք ինքներս մեզ արձանագրում էինք զեղչերի վերաբերյալ այդ նույն չիպսերի վրա։

Եվ հասավ այնպիսի մակարդակի, որ արտադրանքի տեխնիկական կողմի նյութերը ես ներկայացնում եմ NVIDIA GTC. Մենք ուրախ ենք կիսվել մեր կենսագրություններով համայնքի հետ, ուստի ես հրապարակում եմ իմ զեկույցը հոդվածի տեսքով։

Ներածություն

Ինչպես բոլորը ճանապարհի սկզբում, մենք սկսեցինք դիտարկելով, թե ինչպես են ստեղծվում առաջարկվող համակարգեր: Եվ ամենահայտնի եղանակը դարձավ հետևյալ տեսակը:

Այն բաղկացած է երկու մասից՝

1. Բարդ և արագ մոդելից թեկնածուի ընտրություն, սովորաբար համագործակցային:
2. Թեկնածուների դասակարգում առավել բարդ և դանդաղ բովանդակային մոդելով, հաշվի առնելով բոլոր հնարավոր նշանները տվյալների մեջ։

Այստեղից հետո ես օգտագործելու եմ հետևյալ տերմինները:

• candidate/թեկնածու առաջարկությունների համար — user-product-ի զույգ, որը կարող է ներառվել արտադրությունում առաջարկությունների մեջ։
• candidates extraction/ extractor/թեկնածուների արդյունահանում — գործընթաց կամ մեթոդ՝ «առարկայական առաջարկների թեկնածուների» արդյունահանելու համար առկա տվյալներով։

Առաջին քայլում սովորաբար օգտագործվում են տարբեր գործիքներ համագործակցային ֆիլտրացիայի: Ամենահանրաճանակու՝ ALS. Հրաշալի է, որ մեծամասնություն հոդվածների առաջարկվող համակարգերի մասին բացահայտում են միայն տարբեր բարելավումներ համագործակցային մոդելների առաջին փուլում, բայց այլ սեմպլավորելու մեթոդների մասին հիմնականում ոչ ոք չի խոսում: մեզ համար կիրառված մոտեցումը միայն համագործակցային մոդելներով և դրանց տարբեր օպտիմիզացմամբ ոչ մի լավ արդյունք չտվեց, այդ իսկ պատճառով մենք ստանձնել ենք այս հատվածի հետազոտություն։ Այս հոդվածի վերջում ցույց կտամ, թե որքան բարի կարողացանք բարելավել ALS-ը, որն էր մեր հիմնական արժեքը։

Մեր մոտեցումը գծագրելուց առաջ կարևոր է նշել, որ իրական ժամանակի առաջարկությունների դեպքում, երբ կարևոր է հաշվի առնել տվյալները, որոնք տեղի են ունեցել 30 րոպե առաջ, որոնք կարող են աշխատել պահանջվող ժամանակի մեջ շատ նման մոտեցումներ են: Բայց, մեզ մոտ, առաջարկություններ հավաքելը տեղի է ունենում ոչ ավելի հաճախ, քան մեկ անգամ օրը, իսկ մեծամասամբ՝ մեկ անգամ շաբաթում, ինչը մեզ հնարավորություն տալիս է օգտագործել բարդ մոդելներ և մի քանի անգամ բարձրացնել որակը:

Բարձրություն վերցնենք այն, ինչպիսի մետրիկներ ցույց են տալիս միայն ALS-ն թեկնածուներին առնելու առաջադրանքում: Կлючевые метрики, за которыми мы следим, следующие:

• Precision — ճիշտ ընտրված թեկնածուների տոկոսը նմուշավորվողներից:
• Recall — դեպքերի տոկոսը, որոնք տեղի ունեցան, իսկապես նշված ժամանակի միջակայքում:
• F1-score — F-պրիմերի հաշվարկը վերևում նշված երկու կետերում:

Նաեւ կդիտենք վերջնական մոդելի մետրիկաները, որին ավելացվել են պարունակության լրացուցիչ հատկանիշներ: Այստեղ նույնպես 3 հիմնական մետրիկներ կան:

• precision@5 — վաճառված ապրանքների միջին տոկոսը, որոնք հայտնվում են ամենաբարձր 5-ում ըստ հավանականության յուրաքանչյուր գնորդի համար:
• response-rate@5 — գնորդների վերափոխման տոկոսը խանութի այցից մեկ կամ գոնե մեկ անձնական առաջարկ (էկրանին 5 ապրանք):
• avg roc-auc per user — միջինը roc-auc ամեն մեկ գնորդի համար.

Կարևոր է նշել, որ բոլոր նշված մետրիկաները չափվում են time-series խաչային վավերացման, այսինքն՝ ուսուցումը տեղի է ունենում առաջին k շաբաթների ժամանակ, իսկ որպես թեստային տվյալներ առնվում է k+1 շաբաթ: Այսպիսով, սեզոնային բարձրացումներ/նվաճումներ նվազագույնի հասցնում են մոդելների որակի մեկնաբանությունները: Շրջանակային բոլոր գծապատկերներում X առանցքը նշանակում է շաբաթների համար, իսկ Y առանցքը — նշված մետրիկի արժեքը: Բոլոր գածգարտանկարները կազմվել են մեկ հաճախորդի գործարքային տվյալների վրա, որպեսզի համեմատությունները իրար հետ լինի արդար:

Մեր մոտեցումը նկարագրելուց առաջ նախ գնանք այն բազային, որը ներկայացնում է ուսուցված ALS մոդելը:
Թեկնածուների հավաքման մետրիկներ:

Վերջնական մետրիկներ:

Ես վերաբերվում եմ բոլոր ալգորիթմների իրականացմանը, որպես որոշակի բիզնես հիպոթեզ: Այդպիսով, շատ грубо, ցանկացած համագործակցային մոդել կարելի է դիտարկել, որպես հիպոթեզ, որ "մարդիկ склонны են գնել այն, ինչ գնել են նրանց նման մարդիկ"։ Ինչպես արդեն ասել եմ, միայն այդ սեմանտիկայով մենք չենք սահմանափակվել և ահա, որոնք հիպոթեզները ևս լավ են աշխատում տվյալների վրա օֆլայն մանրավաճառում.

1. Ինչ-որ բան, որն արդեն գնել եմ նախկինում.
2. Մինչդեռ, թե ինչ որ կ գնեմ նախկինում.
3. Արժեքի երկար ժամանակահատվածի գնման մասին.
4. Տեսչականությունից կամ ապրանքանիշերիցʻ տարածված.
5. Տարբեր ապրանքների հերթավար բաժանում՝ շաբաթից շաբաթ ՝ (Մարկովի շղթաներ).
6. Նման արտադրանքներ գնորդների համար, իրենց հատկանիշներով, ստեղծված տարբեր մոդելներում (Word2Vec, DSSM և այլն).

Ինչն է գնել նախկինում

Անցկացված է ամենահայտնի և առեղծվածային շնորհքը, որը շատ լավ է աշխատում ապրանքային մանրավաճառների համար: Այստեղ մենք վերցնում ենք բոլոր ապրանքները, որոնք հավատարիմ քարտի տերը գնեց վերջին K օրերի ընթացքում (ըստ քաղաքացիների, սովորաբար 1-3 շաբաթ), կամ K օրերի տարի առաջ: Չնայած միայն այդ մեթոդն օգտագործելով, մենք ստանում ենք հետևյալ մետրիկաները.

Այս ամենը ակնհայտ է, որ որքան ավելի մեծ ժամանակահատված ենք վերցնում, այնքան ավելի բարձր է մեր վերադարձը և ավելի ցածր է ճշտությունը ու հակառակը: Լավագույն արդյունքները միջինը հաճախորդների համար ցուցաբերում են 'վերջին 2 շաբաթներում'.

Նման արտադրանքներ, որոնք գնել եմ նախկինում

Չափազանց զարմանալի չէ, որ ապրանքային մանրավաճառի համար "ինչ է գնվել նախկինում" լավ է աշխատում, բայց ներգրավեցնել թեկնածուներին միայն այն, ինչ հաճախորդն արդեն գնել է, ոչ այնքան թույլ է, քանի որ դժվար կլիներ հաճախորդին զարմացնել նոր ապրանքով: Այդ պատճառով առաջարկում եմ մի փոքր բարելավել այդ հիպոթեզը նույն համագործակցային մոդելների միջոցով: ALS ուսուցման ժամանակ ստացված վեկտորներից կարելի է գտնել նման ապրանքներ այն, ինչ հաճախորդն արդեն գնել է: Այդ գաղափարը շատ նման է "նման մուլտֆիլմեր" տեսանյութերի դիտման ծառայություններում, բայց քանի որ մենք չենք գիտակցում, թե ինչ է օգտվողն ստանում կամ գնում կոնկրետ պահին, մենք չենք կարող ուսումնասիրել միայն այն, ինչ նա արդեն գնել է, հատկապես, որ մենք արդեն գիտենք, թե որքան լավ է աշխատում: Այս մեթոդը կիրառելիս, օգտագործողների գործարքներում վերջին 2 շաբաթների ընթացքում ստանում ենք հետևյալ մետրիկաները:

Ավելին, կ — նման նյութերի քանակը, որ դուրս է գալիս յուրաքանչյուր գնված ապրանքի համար, գնված հաճախորդի կողմից վերջին 14 օրերի ընթացքում.
Այս մոտեցումը հատկապես հաջողություն է ունեցել մի հաճախորդի մոտ, ում համար չափազանց կարևոր էր չպ recommandations անել այն, ինչը արդեն եղել է օգտվողի գնումների պատմությունում։

Մոտավոր գնման ժամանակաշրջան

Ինչպես արդեն պարզեցինք, քանի որ ապրանքների գնման բարձր հաճախականության պատճառով առաջին մոտեցումը լավ աշխատում է մեր մասնագիտության մեջ։ Բայց ինչպե՞ս գործել լվացող փոշի/համափոշի/նույնի նման ապրանքների հետ։ Ավելորդ է նման արտադրանքները կարիքավորել ամեն շաբաթ-երկու։ Այդ պատճառով առաջանում է հետեւյալ գաղափարը՝ առաջարկվում է հաշվել յուրաքանչյուր ապրանքի գնման միջին ժամանակաշրջանը հաճախորդների համար, ովքեր գնել են ապրանքը ավելի շատ կ անգամ։ Ապա հետագայում պարզել, թե ինչն է հավանական, որ հաճախորդի մոտ արդեն ավարտվել է։ Ապրանքների հաշվարկված ժամանակաշրջանները կարելի է տեսազննիչով ստուգել՝ արդիականության համար։

Ապա կտեսնենք, թե արդյոք ապրանքի ժամանակահատվածի վերջը ընկնում է այն ժամանակահատվածի միջև, երբ առաջարկությունները կլինեն արտադրությունում և նմուշավորել այն, ինչը ընկնում է։ Այս մոտեցման պատկերը կարող է լինել այսպես․

Այստեղ ունենք 2 հիմնական դեպքեր, որոնք կարող ենք քննարկել․

1. Ավելի քիչ, քան K անգամ ապրանք գնած հաճախորդներին պետք է արդյոք նմուշավորել ապրանքներ։
2. Պետք է արդյոք նմושավորել ապրանքը, եթե նրա ժամանակահատվածի վերջը ընկնում է թիրախային ժամանակահատվածից առաջ։

Այդ մակարդի վրա ցույց է տրված, թե ինչ արդյունքների է հասնում նման մեթոդը տարբեր հիպերպարամետրերով՝

ft — Գտնել միայն այն հաճախորդներին, ովքեր գնել են ապրանքը ոչ պակաս K (որտեղ K=5) անգամ
tm — Գտնել միայն թեկնածուներին, ովքեր ընկնում են թիրախային ժամանակահատվածում

Չի զարմանալի, որ այս վիճակում (0, 0) ամենամեծ recall և ամենափոքր precision, քանի որ այս պայմաններում դուրս բերվում է ամենաշատ թեկնածուները։ Սակայն լավագույն արդյունքները հասնում են այն ժամանակ, երբ մենք չնմուշավորում ենք ապրանքներ հաճախորդների համար, ովքեր գնել են կոնկրետ ապրանքը պակաս կ անգամ և դուրս ենք բերում նաեւ ապրանքներ, որոնց ժամանակահատվածի վերջը ընկնում է թիրախային ժամանակահատվածից առաջ։

Ազդեցիկ կատեգորիայի մեջ

Այնուհետև մեկ այլ բավական ակնհայտ գաղափար է՝ նմուշավորել ազդեցիկ ապրանքներ տարբեր կատեգորիաների կամ ապրանքանիշերի համար։ Այստեղ մենք յուրաքանչյուր հաճախորդի համար հաշվում ենք թոփ-k « սիրելի » կատեգորիաներ/브րենդներ և ստանում ենք « հանրահայտ » այս կատեգորիայի/բրենդի մեջ: Մեր դեպքում « սիրելի » և « հանրահայտ » մշակելու կանոնն է ապրանքների վաճառքի քանակը: Սույն մոտեցման լրացուցիչ առավելությունն է, որ այն կիրառելի է սառեցման սկիզբներում: Այսինքն, այդ գնորդների համար, ովքեր կատարել են կամ շատ քիչ գնումների, կամ վաղուց չէին եղել խանութում, կամ ընդհանրապես միայն կայ доступны քարտին, հեշտ և լավագույն լուծում է ընդունել առաջատար ապրանքները, որոնք հայտնի են արդեն գործող գնորդների կողմից: Շրիչները ստացվում են հետևյալը:

Այստեղ թվային սանդղակը «category» բառից հետո նշանակում է կատեգորիայի խորության մակարդակը:

Ընդհանուր առմամբ, նաև չզարմանալի է, որ լավագույն արդյունքները ստանում են ավելի առանձին կատեգորիաներից, քանի որ դրանք ստանում են ավելի ճշտագրված « սիրելի » ապրանքներ գնորդների համար:

Միջակայք առանձին ապրանքներ գնելուց շաբաթվա մեջ.

Հետաքրքիր մոտեցում, որը չեմ տեսել առաջարկների համակարգերի մասին հոդվածներում՝ բավականին պարզ և միևնույն ժամանակ դիակային վիճակագրական մեթոդ Մարկովի շղթաների համար: Այստեղ վերցնում ենք 2 տարբեր շաբաթներ, հետո յուրաքանչյուր գնորդի համար կառուցում ենք ապրանքների զույգերը. [ գնվել է շաբաթ i ]-[ գնվել է շաբաթ j ], որտեղ j > i, իսկ այստեղից հաշվարկում ենք յուրաքանչյուր ապրանքի հնարավորությունը մեկ այլ ապրանքի փոխադրման համար հաջորդ շաբաթ: Այսինքն՝ յուրաքանչյուր ապրանքի զույգի համար. producti-productj հաշվում ենք դրանց քանակը գտնված զույգերում և բաժանում նախորդ շաբաթներում եղած զույգերի քանակի վրա որտեղ producti գտնվել է առաջին շաբաթում: Կատեգորիաների ստացմամբ վերցնում ենք գնորդի վերջին պիտակը և գտնում ենք թոփ-k ամենաու posible հաջորդ ապրանքները տեղափոխումների մատրիցայից, որը մենք ստացել ենք: Փոփոխությունների մատակարարումը տեսքը ներկայացնում է հետևյալն:

Իրավական օրինակներից հավասարության մատակարարումներում տեսնում ենք հետևյալ հետաքրքիր երևույթները:

Այստեղ կարելի է նկատել հետաքրքիր կախվածություններ, որոնք հայտնվում են սպառողական վարքի մեջ. օրինակ, ցիտրուսների սիրահարներ կամ կաթի բրենդ, հաճախակի տեղափոխվող այլ ապրանքներին: Նույնպես չզարմանալի է, որ բարձր հաճախականով կրկնակի գնումների պարունակող ապրանքներ, ինչպիսիք են կարագը, նույնպես այստեղ դրսևորումը ստանում են:

Մարկովի շղթաների մեթոդում ստացված շրիչները հետևյալը են.

կ — ապրանքների քանակը, որոնք ստացվում են յուրաքանչյուր գնված ապրանքի վերջին գործարքից:
Ինչպես մենք տեսնում ենք, լավագույն արդյունքը k=4 կոնֆիգուրացիան է: 4-րդ շաբաթվա բարձրացումը կարելի է բացատրել արձակուրդային օրերի սեզոնային վարքով: 

Հետհետաքրքիր ապրանքներ գնորդների համար, տարբեր մոդելների կողմից կառուցված բնութագրերով

Այսպիսով, մենք մոտեցանք ամենադժվար և հետաքրքիր մասին` գնորդների և ապրանքների վեկտորներով ամենամոտ հարևանների որոնմանը, որը կառուցված է տարբեր մոդելների հիման վրա: Որպեսզի մեր աշխատանքում կիրառենք այդ մոդելները, մենք օգտագործում ենք 3:

• ALS
• Word2Vec (Item2Vec նման խնդիրների համար)
• DSSM

Մենք արդեն քննարկել ենք ALS-ը, կարող եք կարդալ դրա ուսուցման ընթացքի մասին այստեղ. Word2Vec-ի դեպքում, մենք օգտագործում ենք հայտնի մոդելի իրականացումը gensim. Փաստորեն, մենք որոշում ենք դասնթացները, որպես որոշումների չեկ: Այսպիսով, ապրանքի վեկտոր կառուցելիս մոդելը սովորում է կանխատեսել ապրանքի "շրջապատը" (այլ ապրանքներ չեկում): e-commerce տվյալներում ավելի լավ է չեկի փոխարեն օգտագործել գնորդի սեսիան, որի մասին շատ լավ են գրել Ozon-ից . DSSM-ը ավելի հետաքրքիր է քննարկել: Այն սկզբում գրել են Microsoft ընկերությունից, որպես որոնման մոդել,այստեղ կարելի է կարդալ սկզբնական հետազոտական հոդվածը . Մոդելի ճարտարապետությունը այսպես է.- հարցում, օգտատիրոջ որոնման հարցը,

Ավելին, Q D[i] - փաստաթուղթ, կայքի էջ: Մոդելին մուտք են բերվում հարցման և էջերի հատկանիշները, համապատասխանաբար: Յուրաքանչյուր մուտքային շերտից հետո կա որոշակի քանակությամբ լրիվ կապված շերտեր (multilayer perceptron): Այնուհետ մոդելը սովորում է նվազեցնել կոսինուսը վերջին շերտերից ստացված վեկտորների միջև: Խորհրդատվական խնդիրներում օգտագործվում է նույն ճարտարապետությունը, սակայն հարցման փոխարեն հայտնվում է օգտագործողը, իսկ էջերի փոխարեն` ապրանքները: Եվ մեր դեպքում այդ ճարտարապետությունը վերափոխվում է հետեւյալը:
Այժմ արդյունքների ստուգման համար մնացել է փակել վերջին պահը` եթե ALS և DSSM դեպքում գնորդների վեկտորները հստակ սահմանված են, ապա Word2Vec-ի դեպքում մենք ունենք միայն ապրանքների վեկտորները: Այստեղ օգտատիրոջ վեկտոր կառուցելու համար մենք տարբերել ենք 3 հիմնական մոտեցում:

Պարզապես գումարել վեկտորները, տա կոսինուսային հեռավորության համար, որին պարզապես միջինացրել ենք ապրանքները գնման պատմության մեջ:

1. Վեկտորների գումարում որոշ ժամանակի քաշումներով:
2. Ապրանքների քաշումը TF-IDF գործակիցով.
3. Взвешивание товаров с TF-IDF коэффициентом.

Հաճախորդի վեկտորի գծային ծանրութետևման դեպքում պայմանավորում ենք այն հանգամանքով, որ ապրանքը, որը օգտատերը ձեռք բերել է երեկ, ավելի շատ է ազդում իր վարքի վրա, քան ապրանքը, որը ամենաբարձրում է առնել վեց ամիս առաջ։ Այսպես, մենք նախորդ շաբաթը համարվում ենք 1 գործակցով, իսկ այն, ինչը եղել է ավելի վաղ՝ ½, ⅓ ինչպես նաեւ այլն։

TF-IDF գործակիցների համար մենք անում ենք միեւնույնը, ինչ TF-IDF-ի դեպքում տեքստերի համար, պարզապես սույն դիմումում հաճախորդը դիտարկվում է որպես փաստաթուղթ, իսկ չեկը՝ առաջարկ, համապատասխանաբար, բառը՝ ապրանք։ Այսպիսով, օգտատիրոջ վեկտորն ավելի կշարժվի հազվագյուտ ապրանքների կողմը, իսկ հաճախակի եւ օգտատիրոջ համար ծանոթ ապրանքները նրան կարիք չունեն փոփոխման։ Կողմնորոշված մոտեցումը կարելի է չեզոքել այնպես.

Այժմ տանք մի հայացք մետրիկներին։ Սա ALS-ի արդյունքների տեսքն է.

Item2Vec-ի մետրիկաները տարբեր վեկտորի կառուցման տարբերակներով հաճախորդի համար.

Այս դեպքում օգտագործվում է միեւնույն մոդելը, ինչ մեր հիմնական տարբերակներում։ Տարբերությունն այն է, թե որ k-ը մենք կօգտագործենք։ Միայն համագործակցային մոդելներ օգտագործելու համար մեզ հարկավոր է վերցնել մոտ 50-70 ամենամերձավոր ապրանքները յուրաքանչյուր հաճախորդի համար.

Եւ մետրիկաները DSSM-ի համար.

Ինչպես միացնել բոլոր մեթոդները։

Լավ, կասեք դուք, բայց ինչ անել այսքան մեծ գործիքների հավաքածուի հետ թեկնածուների ընտրության համար։ Ինչպե՞ս գտնել օպտիմալ կոնֆիգուրացիան ձեր տվյալների համար։ Այստեղ մի քանի խնդիրներ ենք ունենում.

1. Նպատակ չունենալով, հարկավոր է մի կերպ սահմանել հիպերպարամետրերի որոնման տարածքը յուրաքանչյուր մեթոդի համար։ Այն, իհարկե, որոշակի է ամենուր, բայց հնարավոր հետագծերի քանակը շատ մեծ է.
2. Ինչպես փոքր սահմանափակ ընտրանքից որոշակի մեթոդների եւ կոնկրետ հիպերպարամետրերի հիման վրա գտնել լավագույն կոնֆիգուրացիան ձեր մետրիկայի համար.

Առջևի հարցի միանշանակ ճիշտ պատասխան դեռ չենք գտել, ուստի մենք ուզում ենք հետևել այս տարբերակին. յուրաքանչյուր մեթոդի համար գրված է հիպերպարամետրերի որոնման տարածքը սահմանափակող, կախված մեր ունեցած տվյալների որոշ վիճակագրության։ Այսպիսով, գիտակցելով մարդկանց միջև գնումների միջին ժամանակահատվածը, մենք կարող ենք եզրակացնել, թե որ ժամանակահատվածով պետք է օգտագործել "ինչպես արդեն գնվել" եւ "մինչև անցյալ վաճառքի ժամանակաշրջանը".

Եվ երբ մենք մտածեցինք որոշ չափելի տարբերակներ տարբեր մեթոդների, նկատենք հետևյալը. յուրաքանչյուր իրականացում վաճառում է որոշակի թվով թեկնածուներ և ունի որոշակի կարևորության մետրիկա՝ (recall): Մենք ուզում ենք, որ վերջնականում ստանանք որոշակի թվով թեկնածուներ, որոնց քանակը կախված է մեր թույլատրելի հաշվարկային կարողություններից, օգտագործելով առավել հնարավոր մետրիկան: Այս դեպքում խնդիրը գեղեցիկ կերպով կրճատվում է պայուսակի խնդրի ձևով:

Այս դեպքում թեկնածուների քանակը՝ սննդատեսակի քաշն է, իսկ մեթոդի recall-ը՝ նրա արժեքը: Սակայն կան ևս 2 պահ, որոնք պետք է հաշվի առնել ալգորիթմի իրականացման ժամանակ:

• Մեթոդների միջև կարող է լինել overlap թեկնածուների մեջ, որոնք նրանք դուրս են բերում:
• Առանձին դեպքերում մեկ մեթոդը երկու անգամ տարբեր պարամետրերով ընտրելը ճիշտ կլինի, և առաջինի արդյունքների թեկնածուները չեն կարող լինի երկրորդի ենթախմբում:

Օրինակ, եթե վերցնենք «նախկինում գնումներ» մեթոդի իրականացումը տարբեր միջակայքներով, ապա դրանց թեկնածուների մեծությունները կսահմանափակվեն միմյանց մեջ: Ընդհանուր而言, «պարբերական գնումների» տարբեր պարամետրերը արդյունքում չեն տալիս ամբողջական overlap: Հետեւաբար, մենք տարբեր պարամետրերով համ sampling մեթոդները բաժանում ենք բլոկների, այնպես որ յուրաքանչյուր բլոկից մենք ցանկանում ենք ավելացնել ոչ ավելի, քան մեկ ընտրողական մոտեցում՝ կոնկրետ հիպերպարամետրերով: Для этого нужно немного исхитриться в реализации задачи о рюкзаке, но асимптотика и результат от этого не поменяются.

Այս խելացի համադրությունը թույլ է տալիս ստանալ մեր կողմից հետևյալ մետրիկաները համեմատած պարզապես համատեղ մոդելների հետ:

Վերջնական մետրիկաների վրա տեսնում ենք հետևյալ պատկերը:

Այո, այս դեպքում կարելի է նկատել, որ մնացել է մեկ չկողմնորոշված պահ, որը օգտակար է բիզնեսին: Այժմ մենք պարզապես սովորեցինք լավ կանխատեսել, ինչն օգտագործողը կգնի, օրինակ, հաջորդ շաբաթ: Բայց պարզապես զեղչ առաջարկելը այն բաներին, որոնք ու այնպես կգնեն, ոչ այնքան հետաքրքիր է: Սակայն շատ հետաքրքիր է առավելագույնացնել սպասվող մետրիկաները՝

1. Մարգին/տնտեսական շրջանառությունը էական առաջարկներին:
2. Գնումների միջին չեկ:
3. Այցերի հաճախականությունը.

Այսպես մենք բազմապատկում ենք ստացված հավանականությունները տարբեր գործակցներով և վերակարգավորում այնպես, որ լավագույնը հասնի այն ապրանքներին, որոնք ավելի շատ են ազդում մետրիկաների վրա։ Այստեղ չկա պատրաստի լուծում, թե որն է լավ մոտեցումը։ Հ bahkan մենք փորձարկում ենք նման գործակցերով, որոնք իրականացնում ենք հենց արտադրությունում։ Սակայն ահա հետաքրքիր հնարքներ, որոնք հաճախ տալիս են մեզ ավելի լավ արդյունքներ։

1. Բազմապատկենք ապրանքի գներով/մարգիններով։
2. Բազմապատկենք միջին հաշվի վրա, որտեղ հաճախ հանդիպում է ապրանքը։ Այդպես վերև կբարձրանան ապրանքները, որոնց հետ սովորաբար վերցվում է ևս ինչ-որ բան։
3. Բազմապատկենք տվյալ ապրանքի հաճախորդների միջին այցերի հաճախականությամբ՝ հիմնվելով այն Հիպոթեզի վրա, որ այդ ապրանքը հրահրում է հաճախ վերադառնալ։

Գործակցելով գործակիցների հետ, մենք ստացանք հետևյալ մետրիկաները արտադրությունում։

Ավելին, Գազի վերափոխման ընդհանուր փոխակերպում — գնել ապրանքների մասնաբաժինը բոլոր ապրանքներից, որոնք մենք առաջարկեցինք։

Հոկտեմբերյան ընթերցողը կտեսնի զգալի տարբերություն ալյուն մասնագիտական և օնլայն մետրիկաների միջև։ Այս վարքագիծն պայմանավորված է նրանով, որ շատ դինամիկ ֆիլտրերը՝ ապրանքները, որոնք կարելի է առաջարկել, հնարավոր չէ հաշվի առնել մոդելի ուսուցման ժամանակ։ Մեր համար նորմալ պատմություն է, երբ պահանջված թեկնածուների կեսը կարող է ֆիլտրավորվել, այսինքն՝ դա առանձնահատուկ է մեր ոլորտում։

Գանձում ստացվում է հետևյալ պատմությունը, տեսնում ենք, որ առաջարկությունների մեկնարկից հետո փորձագետների խմբի օրեցօր բարձրանում է, այժմ մեր առաջարկություններով միջին եկամուտի աճը կազմում է 3-4%։

Վ concluded արդարությունը, ես ուզում եմ ասել, որ եթե ձեզ պետք չեն հենց ռեալ տիրոջ առաջարկություններ, ապա մեծ աճը որակի մեջ առկա է թեկնածուների ընտրության փորձարկումների մեջ։ Ճիշտ ժամանակն անհրաժեշտ է նրանց գեներացման համար, որպեսզի հնարավոր լինի համադրելու շատ լավ եղանակներ, ինչը հնարավորություն կտա հիանալի արդյունքներ բիզնեսի համար։

Ցանկանում եմ ուրախությամբ խոսել մեկնաբանություններում բոլորի հետ, ում համար նյութը հետաքրքիր էր։ Հարցեր կարող եք ուղղել ինձ անձամբ telegram։ Ինչպես նաև ես կիսվում եմ իմ մտածումներով AI/ստարտափների շուրջ իմ մեջ telegram ալիքում — ողջունում եմ 🙂

Ընտանիք: habr.com