Სალამი ყველას! მე მქვია საშა, მე ვარ CTO და თანადამფუძნებელი LoyaltyLab-ში. ორი წლის წინ მე და ჩემი მეგობრები, როგორც ყველა ღარიბი სტუდენტი, საღამოს წავედით ლუდის საყიდლად ჩვენს სახლთან უახლოეს მაღაზიაში. ძალიან ვნერვიულობდით, რომ საცალო ვაჭრობამ, იცოდა, რომ ლუდზე მოვიდოდით, არ გვთავაზობდა ფასდაკლებას ჩიფსებზე ან კრეკერებზე, თუმცა ეს ასე ლოგიკური იყო! ჩვენ ვერ გავიგეთ, რატომ ხდებოდა ეს სიტუაცია და გადავწყვიტეთ დაგვეწყო საკუთარი კომპანია. ბონუსად, მიეცით საკუთარ თავს ფასდაკლება ყოველ პარასკევს იმავე ჩიპებზე.

და ეს ყველაფერი იქამდე მივიდა, რომ მე წარმოგიდგენთ მასალას პროდუქტის ტექნიკურ მხარეზე NVIDIA GTC. სიამოვნებით ვუზიარებთ ჩვენს მუშაობას საზოგადოებას, ამიტომ ვაქვეყნებ ჩემს მოხსენებას სტატიის სახით.

შესავალი

როგორც ყველა სხვამ მოგზაურობის დასაწყისში, ჩვენ დავიწყეთ მიმოხილვით, თუ როგორ იქმნება სარეკომენდაციო სისტემები. და ყველაზე პოპულარული არქიტექტურა შემდეგი ტიპი აღმოჩნდა:

იგი შედგება ორი ნაწილისაგან:

1. რეკომენდაციებისთვის კანდიდატების შერჩევა მარტივი და სწრაფი მოდელის გამოყენებით, როგორც წესი, თანამშრომლობით.
2. კანდიდატების რეიტინგი უფრო რთული და ნელი კონტენტის მოდელით, მონაცემების ყველა შესაძლო მახასიათებლის გათვალისწინებით.

შემდგომში გამოვიყენებ შემდეგ ტერმინებს:

• კანდიდატი/კანდიდატი რეკომენდაციებისთვის - მომხმარებლის-პროდუქტის წყვილი, რომელიც პოტენციურად შეიძლება შევიდეს წარმოების რეკომენდაციებში.
• კანდიდატების მოპოვება/გამომყვანი/კანდიდატის მოპოვების მეთოდი — ხელმისაწვდომი მონაცემებიდან „რეკომენდაციის კანდიდატების“ ამოღების პროცესი ან მეთოდი.

პირველი ნაბიჯი ჩვეულებრივ მოიცავს ერთობლივი ფილტრაციის სხვადასხვა ვარიაციების გამოყენებას. Ყველაზე პოპულარული - ალ. გასაკვირია, რომ სარეკომენდაციო სისტემების შესახებ სტატიების უმეტესობა მხოლოდ პირველ ეტაპზე ავლენს ერთობლივი მოდელების სხვადასხვა გაუმჯობესებას, მაგრამ არავინ საუბრობს სხვა შერჩევის მეთოდებზე. ჩვენთვის მხოლოდ თანამშრომლობითი მოდელების გამოყენების მიდგომა და მათთან სხვადასხვა ოპტიმიზაცია არ მუშაობდა იმ ხარისხით, რასაც ველოდით, ამიტომ ჩვენ ჩავთხარეთ კვლევა კონკრეტულად ამ მხრივ. და სტატიის ბოლოს მე გაჩვენებთ, რამდენად შევძელით ALS-ის გაუმჯობესება, რაც ჩვენი საბაზისო იყო.

სანამ ჩვენი მიდგომის აღწერას გადავიდოდე, მნიშვნელოვანია აღინიშნოს, რომ რეალურ დროში რეკომენდაციებში, როდესაც ჩვენთვის მნიშვნელოვანია გავითვალისწინოთ 30 წუთის წინ მომხდარი მონაცემები, ნამდვილად არ არის ბევრი მიდგომა, რომელიც შეიძლება იმუშაოს საჭირო დროში. მაგრამ, ჩვენს შემთხვევაში, ჩვენ გვიწევს რეკომენდაციების შეგროვება არა უმეტეს დღეში ერთხელ და უმეტეს შემთხვევაში - კვირაში ერთხელ, რაც გვაძლევს შესაძლებლობას გამოვიყენოთ რთული მოდელები და გავაუმჯობესოთ ხარისხი რამდენჯერმე.

მოდით ავიღოთ საბაზისო რა მეტრიკა აჩვენებს მხოლოდ ALS კანდიდატების მოპოვების ამოცანას. ძირითადი მეტრიკა, რომელსაც ჩვენ ვაკვირდებით, არის:

• სიზუსტე - სწორად შერჩეული კანდიდატების პროპორცია შერჩეული კანდიდატებიდან.
• შეხსენება არის კანდიდატების პროპორცია, რომელიც მოხდა მათგან, ვინც რეალურად იმყოფებოდა სამიზნე ინტერვალში.
• F1-ქულა - F-ზომა გამოითვლება წინა ორ ქულაზე.

ჩვენ ასევე გადავხედავთ საბოლოო მოდელის მეტრიკას გრადიენტის გაძლიერების ვარჯიშის შემდეგ დამატებითი შინაარსის ფუნქციებით. აქ ასევე არის 3 ძირითადი მეტრიკა:

• precision@5 - 5 საუკეთესო პროდუქციის საშუალო პროცენტი ალბათობის თვალსაზრისით თითოეული მყიდველისთვის.
• answer-rate@5 - მომხმარებელთა კონვერტაცია მაღაზიაში ვიზიტიდან მინიმუმ ერთი პირადი შეთავაზების შეძენამდე (5 პროდუქტი ერთ შეთავაზებაში).
• საშუალო roc-auc თითო მომხმარებლისთვის - საშუალო roc-auc თითოეული მყიდველისთვის.

მნიშვნელოვანია აღინიშნოს, რომ ყველა ეს მეტრიკა იზომება დროის სერიების ჯვარედინი დადასტურება, ანუ ვარჯიში ხდება პირველ k კვირაში და ტესტის მონაცემად აღებულია k+1 კვირა. ამგვარად, სეზონურმა ვარდნამ და ვარდნამ მინიმალური გავლენა მოახდინა მოდელების ხარისხის ინტერპრეტაციაზე. შემდგომ ყველა გრაფიკზე, აბსცისის ღერძი მიუთითებს კვირის რიცხვს ჯვარედინი ვალიდაციის დროს, ხოლო ორდინატთა ღერძი მიუთითებს მითითებული მეტრიკის მნიშვნელობას. ყველა გრაფიკი ეფუძნება ერთი კლიენტის ტრანზაქციის მონაცემებს, რათა ერთმანეთთან შედარება სწორი იყოს.

სანამ დავიწყებთ ჩვენი მიდგომის აღწერას, ჩვენ პირველ რიგში გადავხედავთ საბაზისო ხაზს, რომელიც არის ALS-ით გაწვრთნილი მოდელი.
კანდიდატის მოპოვების მეტრიკა:

საბოლოო მეტრიკა:

მე განვიხილავ ალგორითმის ყველა განხორციელებას, როგორც ერთგვარ ბიზნეს ჰიპოთეზას. ამრიგად, ძალიან უხეშად, ნებისმიერი თანამშრომლობითი მოდელი შეიძლება ჩაითვალოს ჰიპოთეზად, რომ „ადამიანები მიდრეკილნი არიან იყიდონ ის, რასაც ყიდულობენ მათ მსგავსი ადამიანები“. როგორც უკვე ვთქვი, ჩვენ არ შემოვიფარგლებით ასეთი სემანტიკით და აქ არის რამდენიმე ჰიპოთეზა, რომლებიც კარგად მუშაობს ოფლაინ საცალო ვაჭრობის მონაცემებზე:

1. რომელიც უკვე ვიყიდე ადრე.
2. იგივეა რაც ადრე ვიყიდე.
3. დიდი ხნის წინა შეძენის პერიოდი.
4. პოპულარული კატეგორიის/ბრენდის მიხედვით.
5. სხვადასხვა საქონლის ალტერნატიული შესყიდვები კვირიდან კვირამდე (მარკოვის ჯაჭვები).
6. მყიდველების მსგავსი პროდუქტები, სხვადასხვა მოდელების მიერ აგებული მახასიათებლების მიხედვით (Word2Vec, DSSM და ა.შ.).

რა იყიდე ადრე?

ყველაზე აშკარა ევრისტიკა, რომელიც ძალიან კარგად მუშაობს სასურსათო საცალო ვაჭრობაში. აქ ვიღებთ ყველა საქონელს, რომელიც ლოიალობის ბარათის მფლობელმა შეიძინა ბოლო K დღეში (ჩვეულებრივ 1-3 კვირაში), ან K დღეში ერთი წლის წინ. მხოლოდ ამ მეთოდის გამოყენებით, ჩვენ ვიღებთ შემდეგ მეტრებს:

აქ სავსებით აშკარაა, რომ რაც უფრო მეტ პერიოდს ვატარებთ, მით მეტი გახსენება გვაქვს და ნაკლები სიზუსტე გვაქვს და პირიქით. საშუალოდ, "ბოლო 2 კვირა" უკეთეს შედეგს იძლევა კლიენტებისთვის.

იგივეა რაც ადრე ვიყიდე

გასაკვირი არ არის, რომ სასურსათო საცალო ვაჭრობისთვის "ის, რაც ადრე ვიყიდე" კარგად მუშაობს, მაგრამ კანდიდატების ამოღება მხოლოდ იმისგან, რაც მომხმარებელმა უკვე იყიდა, არც თუ ისე მაგარია, რადგან ნაკლებად სავარაუდოა, რომ მყიდველი გააკვირვოს ახალი პროდუქტით. ამიტომ, ჩვენ ვთავაზობთ ამ ევრისტიკის ოდნავ გაუმჯობესებას იგივე ერთობლივი მოდელების გამოყენებით. ვექტორებიდან, რომლებიც მივიღეთ ALS ტრენინგის დროს, შეგვიძლია მივიღოთ მსგავსი პროდუქტები, რაც მომხმარებელმა უკვე შეიძინა. ეს იდეა ძალიან ჰგავს „მსგავს ვიდეოებს“ ვიდეო კონტენტის ნახვის სერვისებში, მაგრამ რადგან ჩვენ არ ვიცით, რას ჭამს/ყიდულობს მომხმარებელი კონკრეტულ მომენტში, ჩვენ შეგვიძლია მოვძებნოთ მხოლოდ მსგავსი, რაც მან უკვე იყიდა, განსაკუთრებით. რადგან ჩვენ უკვე ვიცით რამდენად კარგად მუშაობს. ამ მეთოდის გამოყენებით მომხმარებლის ტრანზაქციებზე ბოლო 2 კვირის განმავლობაში, ჩვენ ვიღებთ შემდეგ მეტრებს:

აქ k — მსგავსი პროდუქტების რაოდენობა, რომლებიც მოპოვებულია მყიდველის მიერ ბოლო 14 დღის განმავლობაში შეძენილი თითოეული პროდუქტისთვის.
ეს მიდგომა განსაკუთრებით კარგად მუშაობდა ჩვენს კლიენტზე, რომლისთვისაც მნიშვნელოვანი იყო არ გირჩიოთ არაფერი, რაც უკვე იყო მომხმარებლის შესყიდვების ისტორიაში.

გვიანი შეძენის პერიოდი

როგორც უკვე გავარკვიეთ, საქონლის შეძენის მაღალი სიხშირის გამო, პირველი მიდგომა კარგად მუშაობს ჩვენს კონკრეტულ საჭიროებებზე. რაც შეეხება საქონელს, როგორიცაა სარეცხი ფხვნილი/შამპუნი/ა.შ. ანუ პროდუქტებით, რომლებიც ნაკლებად სავარაუდოა, რომ დაგჭირდეთ ყოველ ორ კვირაში და რომელთა ამოღება წინა მეთოდებით შეუძლებელია. ეს იწვევს შემდეგ იდეას - შემოთავაზებულია თითოეული პროდუქტის შეძენის პერიოდის გამოთვლა საშუალოდ იმ მომხმარებლებისთვის, რომლებმაც უფრო მეტი შეიძინეს პროდუქტი. k ერთხელ. და შემდეგ ამოიღეთ ის, რაც მყიდველს დიდი ალბათობით უკვე ამოეწურა. საქონლის გამოთვლილი პერიოდები შეიძლება შემოწმდეს თქვენი თვალით ადეკვატურობისთვის:

შემდეგ კი ჩვენ შევხედავთ, მოდის თუ არა პროდუქტის პერიოდის დასასრული დროის ინტერვალში, როდესაც რეკომენდაციები იქნება წარმოებაში და შევამოწმებთ რა ხდება. მიდგომა შეიძლება ასე ილუსტრირებული იყოს:

აქ გვაქვს 2 ძირითადი შემთხვევა, რომელიც შეიძლება განვიხილოთ:

1. საჭიროა თუ არა პროდუქციის სინჯი იმ მომხმარებლებისგან, რომლებმაც შეიძინეს პროდუქტი K-ზე ნაკლები.
2. საჭიროა თუ არა პროდუქტის სინჯის აღება, თუ მისი პერიოდის დასრულება მიზნობრივი ინტერვალის დაწყებამდე მოდის.

შემდეგი გრაფიკი გვიჩვენებს, თუ რა შედეგებს აღწევს ეს მეთოდი სხვადასხვა ჰიპერპარამეტრებით:

ft — აიღეთ მხოლოდ მომხმარებლები, რომლებმაც შეიძინეს პროდუქტი K (აქ K=5) ჯერ მაინც
tm — აიღეთ მხოლოდ კანდიდატები, რომლებიც ხვდებიან სამიზნე ინტერვალში

გასაკვირი არ არის, რომ მას შეუძლია (0, 0) უმსხვილესი გავიხსენოთ და ყველაზე პატარა ზუსტი, ვინაიდან ამ პირობით ყველაზე მეტი კანდიდატი იკითხება. თუმცა, საუკეთესო შედეგები მიიღწევა, როდესაც ჩვენ არ ვარჩევთ პროდუქტებს იმ მომხმარებლებისთვის, რომლებმაც იყიდეს კონკრეტული პროდუქტი ნაკლები k ჯერ და ამონაწერი, მათ შორის საქონელი, რომლის ვადის დასასრული მოდის სამიზნე ინტერვალამდე.

პოპულარული კატეგორიის მიხედვით

კიდევ ერთი საკმაოდ აშკარა იდეა არის პოპულარული პროდუქტების სინჯები სხვადასხვა კატეგორიებში ან ბრენდებში. აქ ჩვენ ვიანგარიშებთ თითოეული მყიდველისთვის ტოპ-კ „საყვარელი“ კატეგორიები/ბრენდები და ამოიღეთ „პოპულარული“ ამ კატეგორიიდან/ბრენდიდან. ჩვენს შემთხვევაში, ჩვენ განვსაზღვრავთ "რჩეულს" და "პოპულარულს" პროდუქტის შესყიდვების რაოდენობით. ამ მიდგომის დამატებითი უპირატესობაა მისი გამოყენებადობა ცივი დაწყების შემთხვევაში. ანუ იმ მომხმარებლებისთვის, რომლებმაც ან ძალიან ცოტა შესყიდვები გააკეთეს, ან დიდი ხანია არ ყოფილან მაღაზიაში, ან ახლახან გასცეს ლოიალობის ბარათი. მათთვის უფრო ადვილი და უკეთესია მომხმარებლებში პოპულარულ და ისტორიას მქონე ნივთების მარაგი. შედეგად მიღებული მეტრიკა არის:

აქ რიცხვი სიტყვის „კატეგორიის“ შემდეგ ნიშნავს კატეგორიის ბუდობის დონეს.

საერთო ჯამში, გასაკვირი არ არის, რომ ვიწრო კატეგორიები უკეთეს შედეგს აღწევენ, რადგან ისინი მყიდველებისთვის უფრო ზუსტ „საყვარელ“ პროდუქტებს იღებენ.

კვირიდან კვირამდე სხვადასხვა საქონლის ალტერნატიული შესყიდვები

საინტერესო მიდგომა, რომელიც არ მინახავს სტატიებში სარეკომენდაციო სისტემების შესახებ, არის მარკოვის ჯაჭვების საკმაოდ მარტივი და ამავე დროს მოქმედი სტატისტიკური მეთოდი. აქ ვიღებთ 2 სხვადასხვა კვირას, შემდეგ თითოეული მომხმარებლისთვის ვაშენებთ წყვილ პროდუქტს [იყიდა კვირაში]-[იყიდა კვირაში j], სადაც j > ი, და აქედან ვიანგარიშებთ თითოეულ პროდუქტზე მომავალ კვირაში სხვა პროდუქტზე გადასვლის ალბათობას. ანუ თითოეული წყვილი საქონლისთვის პროდუქტი-პროდუქტი ვითვლით მათ რიცხვს ნაპოვნი წყვილებში და ვყოფთ წყვილების რაოდენობაზე, სადაც პროდუქტები პირველ კვირაში იყო. კანდიდატების ამოსაღებად, ჩვენ ვიღებთ მყიდველის ბოლო ქვითარს და ამონაწერს ტოპ-კ ჩვენ მივიღეთ ყველაზე სავარაუდო შემდეგი პროდუქტები გარდამავალი მატრიციდან. გარდამავალი მატრიცის აგების პროცესი ასე გამოიყურება:

გადასვლის ალბათობის მატრიცის რეალური მაგალითებიდან ვხედავთ შემდეგ საინტერესო მოვლენებს:

აქ შეგიძლიათ შეამჩნიოთ საინტერესო დამოკიდებულებები, რომლებიც ვლინდება მომხმარებელთა ქცევაში: მაგალითად, ციტრუსის ხილის მოყვარულები ან რძის ბრენდი, საიდანაც ისინი სავარაუდოდ სხვაზე გადადიან. ასევე გასაკვირი არ არის, რომ პროდუქტები, რომელთა განმეორებითი შესყიდვების მაღალი სიხშირეა, როგორიცაა კარაქი, ასევე აქ მთავრდება.

მარკოვის ჯაჭვების მეთოდის მეტრიკა შემდეგია:

k - პროდუქტების რაოდენობა, რომლებიც ამოღებულია თითოეული შეძენილი პროდუქტისთვის მყიდველის ბოლო ტრანზაქციისგან.
როგორც ვხედავთ, საუკეთესო შედეგს აჩვენებს k=4 კონფიგურაცია. მე-4 კვირაში მწვერვალი აიხსნება სეზონური ქცევით არდადეგების გარშემო. 

მყიდველების მსგავსი პროდუქტები, სხვადასხვა მოდელების მიერ აშენებული მახასიათებლების მიხედვით

ახლა ჩვენ მივედით ყველაზე რთულ და საინტერესო ნაწილამდე - უახლოესი მეზობლების ძიება მომხმარებელთა ვექტორებისა და სხვადასხვა მოდელის მიხედვით აგებული პროდუქტების საფუძველზე. ჩვენს მუშაობაში ვიყენებთ 3 ასეთ მოდელს:

• ალ
• Word2Vec (Item2Vec ასეთი ამოცანებისთვის)
• DSSM

ჩვენ უკვე შევეხეთ ALS-ს, შეგიძლიათ წაიკითხოთ როგორ სწავლობს ის აქ. Word2Vec-ის შემთხვევაში ჩვენ ვიყენებთ მოდელის ცნობილ იმპლემენტაციას გენსიმ. ტექსტების ანალოგიით შეთავაზებას განვსაზღვრავთ, როგორც შესყიდვის ქვითარს. ამრიგად, პროდუქტის ვექტორის აგებისას, მოდელი სწავლობს ქვითარში პროდუქტის პროგნოზირებას მისი „კონტექსტში“ (დარჩენილი პროდუქტები ქვითარში). ელექტრონული კომერციის მონაცემებში, ქვითრის ნაცვლად უმჯობესია გამოიყენოთ მყიდველის სესია; ბიჭები ოზონი. და DSSM უფრო საინტერესოა გასაანალიზებელი. თავდაპირველად, ეს დაიწერა მაიკროსოფტის ბიჭებმა, როგორც საძიებო მოდელი, თქვენ შეგიძლიათ წაიკითხოთ კვლევითი ნაშრომის ორიგინალი აქ. მოდელის არქიტექტურა ასე გამოიყურება:

აქ Q - შეკითხვა, მომხმარებლის საძიებო მოთხოვნა, D[i] — დოკუმენტი, ინტერნეტ გვერდი. მოდელის შეყვანა არის მოთხოვნის ატრიბუტები და გვერდები, შესაბამისად. ყოველი შეყვანის ფენის შემდეგ არის მთელი რიგი სრულად დაკავშირებული ფენები (მრავალფენიანი პერცეპტრონი). შემდეგი, მოდელი სწავლობს მოდელის ბოლო შრეებში მიღებულ ვექტორებს შორის კოსინუსის მინიმიზაციას.
სარეკომენდაციო ამოცანები იყენებს ზუსტად იმავე არქიტექტურას, მხოლოდ მოთხოვნის ნაცვლად არის მომხმარებელი, ხოლო გვერდების ნაცვლად არის პროდუქტები. და ჩვენს შემთხვევაში, ეს არქიტექტურა გარდაიქმნება შემდეგში:

ახლა, შედეგების შესამოწმებლად, რჩება ბოლო პუნქტის გაშუქება - თუ ALS-სა და DSSM-ის შემთხვევაში გვაქვს მკაფიოდ განსაზღვრული მომხმარებლის ვექტორები, მაშინ Word2Vec-ის შემთხვევაში გვაქვს მხოლოდ პროდუქტის ვექტორები. აქ, მომხმარებლის ვექტორის ასაგებად, ჩვენ განვსაზღვრეთ 3 ძირითადი მიდგომა:

1. უბრალოდ დაამატეთ ვექტორები, შემდეგ კოსინუსური დისტანციისთვის გამოდის, რომ ჩვენ უბრალოდ შევადგინეთ პროდუქტები შესყიდვების ისტორიაში.
2. ვექტორული შეჯამება გარკვეული დროის წონით.
3. საქონლის აწონვა TF-IDF კოეფიციენტით.

მყიდველის ვექტორის ხაზოვანი შეწონვის შემთხვევაში, ჩვენ გამოვდივართ ჰიპოთეზადან, რომ პროდუქტი, რომელიც მომხმარებელმა გუშინ იყიდა, უფრო დიდ გავლენას ახდენს მის ქცევაზე, ვიდრე პროდუქტი, რომელიც მან იყიდა ექვსი თვის წინ. ასე რომ, ჩვენ განვიხილავთ მყიდველის წინა კვირას 1-ის შანსებით და რაც მოხდა შემდეგ ½, ⅓ და ა.შ.

TF-IDF კოეფიციენტებისთვის ვაკეთებთ ზუსტად ისევე, როგორც TF-IDF-ში ტექსტებზე, მხოლოდ მყიდველს განვიხილავთ დოკუმენტად, ხოლო ჩეკს, როგორც შეთავაზებას, შესაბამისად, სიტყვა არის პროდუქტი. ამ გზით მომხმარებლის ვექტორი უფრო იშვიათი საქონლისკენ გადაინაცვლებს, ხოლო მყიდველისთვის ხშირი და ნაცნობი საქონელი მას დიდად არ შეცვლის. მიდგომა შეიძლება ასე ილუსტრირებული იყოს:

ახლა მოდით შევხედოთ მეტრიკას. ასე გამოიყურება ALS-ის შედეგები:

მეტრიკა Item2Vec-ისთვის მყიდველის ვექტორის აგების სხვადასხვა ვარიაციით:

ამ შემთხვევაში, ზუსტად იგივე მოდელი გამოიყენება, როგორც ჩვენს საბაზისოში. ერთადერთი განსხვავება ისაა, რომელ k-ს გამოვიყენებთ. იმისათვის, რომ გამოიყენოთ მხოლოდ ერთობლივი მოდელები, თქვენ უნდა აიღოთ დაახლოებით 50-70 უახლოესი პროდუქტი თითოეული მომხმარებლისთვის.

და მეტრიკა DSSM-ის მიხედვით:

როგორ გავაერთიანოთ ყველა მეთოდი?

მაგარია, თქვენ ამბობთ, მაგრამ რა ვუყოთ კანდიდატის მოპოვების ხელსაწყოების ასეთ დიდ კომპლექტს? როგორ ავირჩიოთ ოპტიმალური კონფიგურაცია თქვენი მონაცემებისთვის? აქ რამდენიმე პრობლემა გვაქვს:

1. აუცილებელია როგორმე შეზღუდოს ჰიპერპარამეტრების საძიებო სივრცე თითოეულ მეთოდში. ის, რა თქმა უნდა, ყველგან დისკრეტულია, მაგრამ შესაძლო ქულების რაოდენობა ძალიან დიდია.
2. კონკრეტული ჰიპერპარამეტრების მქონე კონკრეტული მეთოდების მცირე შეზღუდული ნიმუშის გამოყენებით, როგორ შეგიძლიათ აირჩიოთ საუკეთესო კონფიგურაცია თქვენი მეტრიკისთვის?

ჩვენ ჯერ ვერ ვიპოვნეთ საბოლოოდ სწორი პასუხი პირველ კითხვაზე, ამიტომ ვაგრძელებთ შემდეგს: თითოეული მეთოდისთვის იწერება ჰიპერპარამეტრის საძიებო სივრცის შემზღუდველი, რაც დამოკიდებულია ჩვენს ხელთ არსებული მონაცემების ზოგიერთ სტატისტიკაზე. ამრიგად, ადამიანებისგან შესყიდვებს შორის საშუალო პერიოდის ცოდნით, ჩვენ შეგვიძლია გამოვიცნოთ, რა პერიოდის განმავლობაში გამოვიყენოთ მეთოდი „რაც უკვე იყიდა“ და „დიდი ხნის წარსული შესყიდვის პერიოდი“.

და მას შემდეგ, რაც ჩვენ გავიარეთ სხვადასხვა მეთოდის ვარიაციების გარკვეული ადეკვატური რაოდენობა, ჩვენ აღვნიშნავთ შემდეგს: თითოეული განხორციელება ამოიღებს კანდიდატების გარკვეულ რაოდენობას და აქვს ჩვენთვის ძირითადი მეტრიკის გარკვეული მნიშვნელობა (გახსენება). ჩვენ გვინდა მივიღოთ კანდიდატების გარკვეული რაოდენობა, რაც დამოკიდებულია ჩვენი დასაშვები გამოთვლითი სიმძლავრით, რაც შეიძლება მაღალი მეტრიკით. აქ პრობლემა ლამაზად იშლება ზურგჩანთის პრობლემაში.

აქ კანდიდატების რაოდენობა არის ღეროს წონა, ხოლო გამოხმაურების მეთოდი არის მისი მნიშვნელობა. ამასთან, არის კიდევ 2 პუნქტი, რომელიც უნდა იქნას გათვალისწინებული ალგორითმის განხორციელებისას:

• მათ მიერ მოძიებულ კანდიდატებში მეთოდებს შეიძლება ჰქონდეთ გადახურვა.
• ზოგიერთ შემთხვევაში, სწორი იქნება ერთი მეთოდის ორჯერ მიღება სხვადასხვა პარამეტრით, ხოლო კანდიდატის გამომავალი პირველიდან არ იქნება მეორის ქვესიმრავლე.

მაგალითად, თუ ავიღებთ „რაც უკვე ვიყიდე“ მეთოდის განხორციელებას სხვადასხვა ინტერვალებით მოსაძიებლად, მაშინ მათი კანდიდატების ნაკრები ერთმანეთში იქნება ბუდებული. ამავდროულად, გასასვლელში "პერიოდული შესყიდვების" სხვადასხვა პარამეტრი არ იძლევა სრულ კვეთას. ამიტომ, ჩვენ ვყოფთ შერჩევის მიდგომებს სხვადასხვა პარამეტრით ბლოკებად ისე, რომ თითოეული ბლოკიდან გვსურს მივიღოთ მაქსიმუმ ერთი ამოღების მიდგომა კონკრეტული ჰიპერპარამეტრებით. ამისათვის საჭიროა ცოტა ჭკუა გამოიჩინოთ ზურგჩანთის პრობლემის განხორციელებაში, მაგრამ ასიმპტოტიკა და შედეგი არ შეიცვლება.

ეს ჭკვიანი კომბინაცია საშუალებას გვაძლევს მივიღოთ შემდეგი მეტრიკა უბრალოდ ერთობლივ მოდელებთან შედარებით:

საბოლოო მეტრიკაში ჩვენ ვხედავთ შემდეგ სურათს:

თუმცა, აქ შეგიძლიათ შეამჩნიოთ, რომ არის ერთი დაუფარავი წერტილი რეკომენდაციებისთვის, რომლებიც სასარგებლოა ბიზნესისთვის. ახლა ჩვენ ვისწავლეთ, თუ როგორ უნდა გავაკეთოთ კარგი პროგნოზირება, თუ რას იყიდის მომხმარებელი, მაგალითად, მომავალ კვირას. მაგრამ უბრალოდ ფასდაკლების მიცემა იმაზე, რასაც ის უკვე იყიდის, არც ისე მაგარია. მაგრამ მაგარია, რომ მაქსიმალურად გაზარდოთ მოლოდინი, მაგალითად, შემდეგი მეტრიკის შესახებ:

1. მარჟა/ბრუნვა პირადი რეკომენდაციების საფუძველზე.
2. საშუალო მომხმარებლის შემოწმება.
3. ვიზიტების სიხშირე.

ასე რომ, ჩვენ ვამრავლებთ მიღებულ ალბათობებს სხვადასხვა კოეფიციენტზე და ვანაწილებთ მათ ისე, რომ პროდუქტებმა, რომლებიც გავლენას ახდენენ ზემოთ მოცემულ მეტრიკაზე, მივიდნენ ზემოთ. არ არსებობს მზა გამოსავალი, თუ რომელი მიდგომის გამოყენება უკეთესია. ასეთ კოეფიციენტებს უშუალოდ წარმოებაშიც კი ვცდილობთ. მაგრამ აქ არის საინტერესო ტექნიკა, რომელიც ყველაზე ხშირად გვაძლევს საუკეთესო შედეგს:

1. გავამრავლოთ პროდუქტის ფასი/ზღვა.
2. გაამრავლეთ საშუალო ქვითრით, რომელშიც პროდუქტი ჩანს. ასე გამოვა საქონელი, რომლითაც ისინი ჩვეულებრივ რაღაცას იღებენ.
3. გაამრავლეთ ამ პროდუქტის მყიდველების ვიზიტების საშუალო სიხშირეზე, იმ ჰიპოთეზის საფუძველზე, რომ ეს პროდუქტი იწვევს ხალხს უფრო ხშირად დაბრუნდნენ მასზე.

კოეფიციენტებით ექსპერიმენტების ჩატარების შემდეგ, წარმოებაში მივიღეთ შემდეგი მეტრიკა:

აქ პროდუქტების მთლიანი კონვერტაცია - შეძენილი პროდუქტების წილი ყველა პროდუქტიდან ჩვენს მიერ შემუშავებულ რეკომენდაციებში.

ყურადღებიანი მკითხველი შეამჩნევს მნიშვნელოვან განსხვავებას ოფლაინ და ონლაინ მეტრიკას შორის. ეს ქცევა აიხსნება იმით, რომ ყველა დინამიური ფილტრი პროდუქტისთვის, რომელიც შეიძლება იყოს რეკომენდებული, არ შეიძლება იყოს გათვალისწინებული მოდელის მომზადებისას. ჩვენთვის ნორმალური ამბავია, როდესაც მოძიებული კანდიდატების ნახევრის გაფილტვრა შესაძლებელია; ეს სპეციფიკა დამახასიათებელია ჩვენს ინდუსტრიაში.

შემოსავლების მხრივ მიღებულია შემდეგი ამბავი, ცხადია, რომ რეკომენდაციების გაშვების შემდეგ სატესტო ჯგუფის შემოსავალი მკვეთრად იზრდება, ახლა შემოსავლის საშუალო ზრდა ჩვენი რეკომენდაციებით არის 3-4%:

დასასრულს, მინდა ვთქვა, რომ თუ თქვენ გჭირდებათ არარეალურ დროში რეკომენდაციები, მაშინ ხარისხის ძალიან დიდი ზრდა შეგიძლიათ ნახოთ ექსპერიმენტებში რეკომენდაციების კანდიდატების მოპოვებით. მათი თაობის დიდი დრო შესაძლებელს ხდის მრავალი კარგი მეთოდის შერწყმას, რაც მთლიანობაში დიდ შედეგს მისცემს ბიზნესს.

სიამოვნებით ვისაუბრებ კომენტარებში ყველასთან, ვისაც მასალა საინტერესოდ მიაჩნია. შეგიძლიათ კითხვები დამისვათ პირადად მისამართზე დეპეშა. მე ასევე ვიზიარებ ჩემს აზრებს AI / სტარტაპების შესახებ ტელეგრამის არხი - მოგესალმებით :)

წყარო: www.habr.com