सर्वांना नमस्कार! माझे नाव साशा आहे, मी लॉयल्टीलॅबचा सीटीओ आणि सह-संस्थापक आहे. दोन वर्षांपूर्वी, मी आणि माझे मित्र, सर्व गरीब विद्यार्थ्यांप्रमाणे, संध्याकाळी आमच्या घराजवळील जवळच्या दुकानात बिअर घेण्यासाठी गेलो होतो. आम्ही खूप नाराज झालो की किरकोळ विक्रेत्याने, आम्ही बीअरसाठी येणार आहोत हे माहीत असूनही, चिप्स किंवा फटाक्यांवर सवलत दिली नाही, जरी हे इतके तर्कसंगत होते! ही परिस्थिती का होत आहे हे आम्हाला समजले नाही आणि आमची स्वतःची कंपनी सुरू करण्याचा निर्णय घेतला. बरं, बोनस म्हणून, दर शुक्रवारी त्याच चिप्सवर स्वतःला सवलत द्या.

आणि हे सर्व त्या ठिकाणी पोहोचले आहे जिथे मी उत्पादनाच्या तांत्रिक बाजूवर सामग्री सादर करत आहे NVIDIA GTC. आमचे कार्य समुदायासोबत शेअर करण्यात आम्हाला आनंद होत आहे, म्हणून मी माझा अहवाल लेखाच्या स्वरूपात प्रकाशित करत आहे.

परिचय

प्रवासाच्या सुरुवातीला इतर सर्वांप्रमाणेच, आम्ही शिफारस करणाऱ्या प्रणाली कशा बनवल्या जातात याचे विहंगावलोकन करून सुरुवात केली. आणि सर्वात लोकप्रिय आर्किटेक्चर खालील प्रकार असल्याचे दिसून आले:

यात दोन भाग असतात:

1. एक साधे आणि जलद मॉडेल वापरून शिफारशींसाठी उमेदवारांचे नमुने घेणे, सहसा सहयोगी मॉडेल.
2. डेटामधील सर्व संभाव्य वैशिष्‍ट्ये विचारात घेऊन, अधिक जटिल आणि संथ सामग्री मॉडेलसह उमेदवारांची रँकिंग.

यापुढे मी खालील अटी वापरेन:

• शिफारशींसाठी उमेदवार/उमेदवार — एक वापरकर्ता-उत्पादन जोडी जी संभाव्यतः उत्पादनातील शिफारसींमध्ये समाविष्ट केली जाऊ शकते.
• उमेदवार निष्कर्षण/एक्सट्रॅक्टर/उमेदवार काढण्याची पद्धत - उपलब्ध डेटामधून "शिफारस उमेदवार" काढण्यासाठी एक प्रक्रिया किंवा पद्धत.

पहिली पायरी सहसा सहयोगी फिल्टरिंगच्या भिन्न भिन्नता वापरणे समाविष्ट करते. सर्वात लोकप्रिय - ALS. हे आश्चर्यकारक आहे की शिफारस करणार्‍या प्रणालींबद्दलचे बहुतेक लेख पहिल्या टप्प्यावर सहयोगी मॉडेल्समधील विविध सुधारणा प्रकट करतात, परंतु इतर सॅम्पलिंग पद्धतींबद्दल कोणीही जास्त बोलत नाही. आमच्यासाठी, केवळ सहयोगी मॉडेल्स आणि त्यांच्यासह विविध ऑप्टिमायझेशन वापरण्याचा दृष्टीकोन आम्हाला अपेक्षित असलेल्या गुणवत्तेसह कार्य करत नाही, म्हणून आम्ही विशेषतः या भागावर संशोधन केले. आणि लेखाच्या शेवटी मी ALS मध्ये किती सुधारणा करू शकलो हे दाखवून देईन, जी आमची बेसलाइन होती.

मी आमच्या दृष्टिकोनाचे वर्णन करण्याआधी, हे लक्षात घेणे महत्त्वाचे आहे की रिअलटाइम शिफारसींमध्ये, जेव्हा आमच्यासाठी 30 मिनिटांपूर्वी आलेला डेटा विचारात घेणे महत्त्वाचे असते, तेव्हा खरोखर आवश्यक वेळेत कार्य करू शकतील असे बरेच मार्ग नाहीत. परंतु, आमच्या बाबतीत, आम्हाला दिवसातून एकापेक्षा जास्त वेळा शिफारसी गोळा कराव्या लागतील आणि बहुतेक प्रकरणांमध्ये - आठवड्यातून एकदा, जे आम्हाला जटिल मॉडेल्स वापरण्याची आणि गुणवत्ता अनेक पटींनी सुधारण्याची संधी देते.

उमेदवार काढण्याच्या कामावर फक्त ALS काय मेट्रिक दाखवते ते बेसलाइन म्हणून घेऊ. आम्ही निरीक्षण करत असलेले प्रमुख मेट्रिक्स हे आहेत:

• अचूकता - नमुना घेतलेल्या उमेदवारांमधून योग्यरित्या निवडलेल्या उमेदवारांचे प्रमाण.
• रिकॉल हे उमेदवारांचे प्रमाण आहे जे प्रत्यक्षात लक्ष्य मध्यांतरात होते.
• F1-स्कोअर - मागील दोन मुद्द्यांवर मोजलेले F-माप.

अतिरिक्त सामग्री वैशिष्ट्यांसह ग्रेडियंट बूस्टिंगचे प्रशिक्षण दिल्यानंतर आम्ही अंतिम मॉडेलचे मेट्रिक्स देखील पाहू. येथे 3 मुख्य मेट्रिक्स देखील आहेत:

• precision@5 - प्रत्येक खरेदीदाराच्या संभाव्यतेच्या दृष्टीने शीर्ष 5 मधील उत्पादनांची सरासरी टक्केवारी.
• response-rate@5 - ग्राहकांचे स्टोअरला भेट देण्यापासून ते किमान एक वैयक्तिक ऑफर (एका ऑफरमध्ये 5 उत्पादने) खरेदी करण्यापर्यंतचे रूपांतरण.
• प्रति वापरकर्ता सरासरी roc-auc - सरासरी roc-auc प्रत्येक खरेदीदारासाठी.

हे लक्षात घेणे महत्त्वाचे आहे की या सर्व मेट्रिक्सवर मोजले जातात वेळ-मालिका क्रॉस-प्रमाणीकरण, म्हणजे, प्रशिक्षण पहिल्या k आठवड्यात होते आणि k+1 आठवडा चाचणी डेटा म्हणून घेतला जातो. अशा प्रकारे, मॉडेल्सच्या गुणवत्तेच्या स्पष्टीकरणावर हंगामी चढ-उतारांचा कमीतकमी प्रभाव पडला. पुढे सर्व आलेखांवर, abscissa अक्ष क्रॉस-व्हॅलिडेशनमध्‍ये आठवड्याची संख्या दर्शवेल आणि ऑर्डिनेट अक्ष निर्दिष्ट मेट्रिकचे मूल्य दर्शवेल. सर्व आलेख एका क्लायंटच्या व्यवहार डेटावर आधारित आहेत जेणेकरून एकमेकांमधील तुलना योग्य असेल.

आम्ही आमच्या दृष्टिकोनाचे वर्णन करण्यास सुरुवात करण्यापूर्वी, आम्ही प्रथम बेसलाइनकडे पाहतो, जे ALS-प्रशिक्षित मॉडेल आहे.
उमेदवार पुनर्प्राप्ती मेट्रिक्स:

अंतिम मेट्रिक्स:

मी अल्गोरिदमच्या सर्व अंमलबजावणीला काही प्रकारचे व्यावसायिक गृहितक मानतो. अशा प्रकारे, अगदी ढोबळपणे, कोणतेही सहयोगी मॉडेल हे गृहितक मानले जाऊ शकते की "लोक त्यांच्यासारखेच लोक जे खरेदी करतात ते विकत घेतात." मी आधीच म्हटल्याप्रमाणे, आम्ही स्वतःला अशा शब्दार्थांपुरते मर्यादित ठेवले नाही आणि येथे काही गृहितके आहेत जी ऑफलाइन रिटेलमधील डेटावर चांगले कार्य करतात:

1. जे मी आधीच विकत घेतले आहे.
2. मी आधी विकत घेतलेल्या सारखेच.
3. दीर्घ भूतकाळातील खरेदीचा कालावधी.
4. श्रेणी/ब्रँडनुसार लोकप्रिय.
5. आठवड्यापासून आठवड्यापर्यंत वेगवेगळ्या वस्तूंची पर्यायी खरेदी (मार्कोव्ह चेन).
6. विविध मॉडेल्स (Word2Vec, DSSM, इ.) द्वारे तयार केलेल्या वैशिष्ट्यांनुसार खरेदीदारांसारखीच उत्पादने.

आपण आधी काय खरेदी केले?

किराणामाल किरकोळ मध्ये खूप चांगले काम करणारे सर्वात स्पष्ट ह्युरिस्टिक. लॉयल्टी कार्ड धारकाने शेवटच्या K दिवसांत (सामान्यतः 1-3 आठवडे) किंवा वर्षभरापूर्वी K दिवसांत खरेदी केलेल्या सर्व वस्तू आम्ही येथे घेतो. फक्त ही पद्धत लागू करून, आम्हाला खालील मेट्रिक्स मिळतात:

येथे हे अगदी स्पष्ट आहे की आपण कालावधी जितका जास्त घेतो, तितके जास्त आठवते आणि आपल्याकडे कमी अचूकता असते आणि उलट. सरासरी, "शेवटचे 2 आठवडे" क्लायंटसाठी चांगले परिणाम देतात.

मी आधी विकत घेतलेल्यासारखेच

हे आश्चर्यकारक नाही की किराणा किरकोळ विक्रीसाठी "मी आधी जे विकत घेतले" ते चांगले कार्य करते, परंतु वापरकर्त्याने आधीच जे खरेदी केले आहे त्यातूनच उमेदवार काढणे फार छान नाही, कारण खरेदीदाराला नवीन उत्पादनासह आश्चर्यचकित करण्याची शक्यता नाही. म्हणून, आम्ही समान सहयोगी मॉडेल्स वापरून या ह्युरिस्टिकमध्ये किंचित सुधारणा करण्याचा प्रस्ताव देतो. एएलएस प्रशिक्षणादरम्यान आम्हाला मिळालेल्या वेक्टरमधून, आम्ही वापरकर्त्याने आधीच खरेदी केलेल्या वस्तूंसारखीच उत्पादने मिळवू शकतो. ही कल्पना व्हिडिओ सामग्री पाहण्यासाठी सेवांमधील "समान व्हिडिओ" सारखीच आहे, परंतु वापरकर्ता एखाद्या विशिष्ट क्षणी काय खात आहे/खरेदी करत आहे हे आम्हाला माहित नसल्यामुळे, आम्ही फक्त त्याने आधीच खरेदी केलेल्या गोष्टींसारखेच शोधू शकतो, विशेषतः कारण आम्हाला आधीच माहित आहे की ते किती चांगले कार्य करते. ही पद्धत वापरकर्त्याच्या व्यवहारांवर गेल्या 2 आठवड्यांमध्ये लागू केल्याने, आम्हाला खालील मेट्रिक्स मिळतात:

तो आहे k — मागील 14 दिवसांत खरेदीदाराने खरेदी केलेल्या प्रत्येक उत्पादनासाठी पुनर्प्राप्त केलेल्या समान उत्पादनांची संख्या.
हा दृष्टीकोन विशेषतः आमच्या क्लायंटसाठी चांगला कार्य करतो, ज्यांच्यासाठी वापरकर्त्याच्या खरेदी इतिहासात आधीपासून असलेल्या कोणत्याही गोष्टीची शिफारस न करणे महत्वाचे होते.

उशीरा खरेदी कालावधी

आम्ही आधीच शोधल्याप्रमाणे, वस्तू खरेदी करण्याच्या उच्च वारंवारतेमुळे, प्रथम दृष्टीकोन आमच्या विशिष्ट गरजांसाठी चांगले कार्य करते. पण वॉशिंग पावडर/शॅम्पू/इत्यादी वस्तूंचे काय? म्हणजेच, दर आठवड्याला किंवा दोन आठवड्यांना आवश्यक नसलेल्या उत्पादनांसह आणि पूर्वीच्या पद्धती काढू शकत नाहीत. यामुळे पुढील कल्पना येते - ज्या ग्राहकांनी उत्पादन अधिक खरेदी केले त्यांच्यासाठी सरासरी प्रत्येक उत्पादनाच्या खरेदीच्या कालावधीची गणना करण्याचा प्रस्ताव आहे k एकदा आणि मग खरेदीदाराची बहुधा काय संपली आहे ते काढा. मालासाठी मोजलेला कालावधी तुमच्या डोळ्यांनी पुरेशातेसाठी तपासला जाऊ शकतो:

आणि मग आम्ही उत्पादन कालावधीचा शेवट ज्या वेळेच्या अंतरालमध्ये येतो तेव्हा शिफारसी उत्पादनात येतात की नाही ते पाहू आणि काय घडते ते पाहू. दृष्टिकोन असे स्पष्ट केले जाऊ शकते:

येथे आमच्याकडे 2 मुख्य प्रकरणे आहेत ज्यांचा विचार केला जाऊ शकतो:

1. ज्या ग्राहकांनी K वेळापेक्षा कमी उत्पादन खरेदी केले आहे त्यांच्याकडील उत्पादनांचे नमुने घेणे आवश्यक आहे का?
2. एखाद्या उत्पादनाचा कालावधी टार्गेट इंटरव्हलच्या सुरूवातीच्या आधी आला असल्यास नमुना घेणे आवश्यक आहे का.

खालील आलेख दर्शवितो की ही पद्धत भिन्न हायपरपॅरामीटर्ससह काय परिणाम प्राप्त करते:

ft — ज्या ग्राहकांनी उत्पादन कमीत कमी K (येथे K=5) वेळा खरेदी केले आहे त्यांनाच घ्या
tm - केवळ टार्गेट इंटरव्हलमध्ये येणारे उमेदवार घ्या

तो सक्षम आहे हे आश्चर्यकारक नाही (0, 0) सर्वात मोठा आठवडा आणि सर्वात लहान अचूकपणा, कारण या स्थितीत सर्वाधिक उमेदवार पुनर्प्राप्त केले जातात. तथापि, ज्या ग्राहकांनी एखादे विशिष्ट उत्पादन त्यापेक्षा कमी विकत घेतले त्यांच्यासाठी आम्ही उत्पादनांचा नमुना घेत नाही तेव्हा सर्वोत्तम परिणाम प्राप्त होतात k वेळ आणि अर्क, मालासह, ज्या कालावधीची समाप्ती लक्ष्य मध्यांतराच्या आधी येते.

श्रेणीनुसार लोकप्रिय

आणखी एक स्पष्ट कल्पना म्हणजे विविध श्रेणी किंवा ब्रँडमधील लोकप्रिय उत्पादनांचे नमुने घेणे. येथे आम्ही प्रत्येक खरेदीदारासाठी गणना करतो टॉप-के "आवडते" श्रेणी/ब्रँड आणि या श्रेणी/ब्रँडमधून "लोकप्रिय" काढा. आमच्या बाबतीत, आम्ही उत्पादनाच्या खरेदीच्या संख्येनुसार "आवडते" आणि "लोकप्रिय" निर्धारित करू. या दृष्टिकोनाचा एक अतिरिक्त फायदा म्हणजे कोल्ड स्टार्ट केसमध्ये त्याची लागू आहे. म्हणजेच, ज्या ग्राहकांनी एकतर खूप कमी खरेदी केली आहे, किंवा बर्याच काळापासून स्टोअरमध्ये आलेले नाहीत किंवा नुकतेच लॉयल्टी कार्ड जारी केले आहे. त्यांच्यासाठी, ग्राहकांमध्ये लोकप्रिय असलेल्या आणि इतिहास असलेल्या वस्तूंचा स्टॉक करणे सोपे आणि चांगले आहे. परिणामी मेट्रिक्स आहेत:

येथे "श्रेणी" या शब्दानंतरच्या संख्येचा अर्थ श्रेणीच्या घरट्याची पातळी आहे.

एकंदरीत, हे देखील आश्चर्यकारक नाही की अरुंद श्रेणी चांगले परिणाम मिळवतात, कारण ते खरेदीदारांसाठी अधिक अचूक "आवडते" उत्पादने काढतात.

आठवड्याभरात वेगवेगळ्या वस्तूंची पर्यायी खरेदी

एक मनोरंजक दृष्टीकोन जो मी शिफारसकर्त्या प्रणालींबद्दलच्या लेखांमध्ये पाहिला नाही तो एक अगदी सोपी आणि त्याच वेळी मार्कोव्ह चेनची सांख्यिकीय पद्धत कार्यरत आहे. येथे आम्ही 2 वेगवेगळे आठवडे घेतो, त्यानंतर प्रत्येक ग्राहकासाठी आम्ही उत्पादनांच्या जोड्या तयार करतो [मी आठवड्यात विकत घेतले]-[ज आठवड्यात विकत घेतले], जेथे j > i, आणि येथून आम्ही प्रत्येक उत्पादनासाठी पुढील आठवड्यात दुसर्‍या उत्पादनावर स्विच करण्याच्या संभाव्यतेची गणना करतो. म्हणजे, प्रत्येक वस्तूच्या जोडीसाठी उत्पादन-उत्पादन आम्ही त्यांची संख्या सापडलेल्या जोड्यांमध्ये मोजतो आणि जोड्यांच्या संख्येने भागतो, कुठे उत्पादने पहिल्या आठवड्यात होते. उमेदवार काढण्यासाठी, आम्ही खरेदीदाराची शेवटची पावती आणि अर्क घेतो टॉप-के आम्हाला मिळालेल्या संक्रमण मॅट्रिक्समधून बहुधा पुढील उत्पादने. संक्रमण मॅट्रिक्स तयार करण्याची प्रक्रिया यासारखी दिसते:

संक्रमण संभाव्यता मॅट्रिक्समधील वास्तविक उदाहरणांवरून आम्ही खालील मनोरंजक घटना पाहतो:

येथे आपण ग्राहकांच्या वर्तनात प्रकट झालेल्या मनोरंजक अवलंबित्व लक्षात घेऊ शकता: उदाहरणार्थ, लिंबूवर्गीय फळांचे प्रेमी किंवा दुधाचा एक ब्रँड ज्यातून ते दुसर्‍याकडे जाण्याची शक्यता आहे. हे देखील आश्चर्यकारक नाही की लोणी सारख्या वारंवार खरेदीची उच्च वारंवारता असलेली उत्पादने देखील येथे संपतात.

मार्कोव्ह चेनसह पद्धतीतील मेट्रिक्स खालीलप्रमाणे आहेत:

k — खरेदीदाराच्या शेवटच्या व्यवहारातून प्रत्येक खरेदी केलेल्या उत्पादनासाठी पुनर्प्राप्त केलेल्या उत्पादनांची संख्या.
जसे आपण पाहू शकतो, k=4 सह कॉन्फिगरेशनद्वारे सर्वोत्तम परिणाम दर्शविला जातो. आठवड्यातील 4 मधील वाढ सुट्ट्यांच्या आसपासच्या हंगामी वर्तनाद्वारे स्पष्ट केली जाऊ शकते. 

विविध मॉडेल्सद्वारे तयार केलेल्या वैशिष्ट्यांनुसार खरेदीदारांप्रमाणेच उत्पादने

आता आम्ही सर्वात कठीण आणि मनोरंजक भागावर आलो आहोत - ग्राहकांच्या वेक्टर आणि विविध मॉडेल्सनुसार तयार केलेल्या उत्पादनांवर आधारित जवळच्या शेजारी शोधणे. आमच्या कामात आम्ही असे 3 मॉडेल वापरतो:

• ALS
• Word2Vec (अशा कामांसाठी Item2Vec)
• DSSM

आम्ही आधीच ALS हाताळले आहे, ते कसे शिकते याबद्दल आपण वाचू शकता येथे. Word2Vec च्या बाबतीत, आम्ही पासून मॉडेलची सुप्रसिद्ध अंमलबजावणी वापरतो gensim. मजकुराच्या सादृश्यतेनुसार, आम्ही ऑफरला खरेदी पावती म्हणून परिभाषित करतो. अशा प्रकारे, उत्पादन वेक्टर तयार करताना, मॉडेल त्याच्या "संदर्भ" (पावतीमधील उर्वरित उत्पादने) मधील उत्पादनाचा अंदाज वर्तवण्यास शिकतो. ईकॉमर्स डेटामध्ये, पावतीऐवजी खरेदीदाराचे सत्र वापरणे चांगले आहे; ओझोन. आणि DSSM विश्लेषण करणे अधिक मनोरंजक आहे. सुरुवातीला, हे मायक्रोसॉफ्टच्या मुलांनी शोधासाठी मॉडेल म्हणून लिहिले होते, तुम्ही मूळ शोधनिबंध इथे वाचू शकता. मॉडेलचे आर्किटेक्चर असे दिसते:

तो आहे Q — क्वेरी, वापरकर्ता शोध क्वेरी, डी[i] - दस्तऐवज, इंटरनेट पृष्ठ. मॉडेलचे इनपुट अनुक्रमे विनंती आणि पृष्ठांचे गुणधर्म आहेत. प्रत्येक इनपुट लेयर नंतर पूर्णत: जोडलेले अनेक स्तर असतात (मल्टीलेयर परसेप्ट्रॉन). पुढे, मॉडेल मॉडेलच्या शेवटच्या लेयर्समध्ये मिळालेल्या वेक्टरमधील कोसाइन कमी करण्यास शिकते.
शिफारस कार्ये अगदी समान आर्किटेक्चर वापरतात, फक्त विनंतीऐवजी वापरकर्ता असतो आणि पृष्ठांऐवजी उत्पादने असतात. आणि आमच्या बाबतीत, हे आर्किटेक्चर खालील मध्ये बदलले आहे:

आता, परिणाम तपासण्यासाठी, शेवटचा मुद्दा कव्हर करणे बाकी आहे - जर ALS आणि DSSM च्या बाबतीत आम्ही स्पष्टपणे वापरकर्ता वेक्टर परिभाषित केले आहेत, तर Word2Vec च्या बाबतीत आमच्याकडे फक्त उत्पादन व्हेक्टर आहेत. येथे, वापरकर्ता वेक्टर तयार करण्यासाठी, आम्ही 3 मुख्य दृष्टिकोन परिभाषित केले आहेत:

1. फक्त व्हेक्टर जोडा, नंतर कोसाइन अंतरासाठी असे दिसून येते की आम्ही खरेदी इतिहासातील उत्पादनांची सरासरी काढली.
2. काही वेळेच्या वजनासह वेक्टर समीकरण.
3. TF-IDF गुणांकासह मालाचे वजन करणे.

खरेदीदार वेक्टरच्या रेखीय वजनाच्या बाबतीत, आम्ही या गृहितकावरून पुढे जातो की वापरकर्त्याने काल खरेदी केलेल्या उत्पादनाचा त्याच्या वर्तनावर सहा महिन्यांपूर्वी खरेदी केलेल्या उत्पादनापेक्षा जास्त प्रभाव असतो. म्हणून आम्ही खरेदीदाराच्या मागील आठवड्याचा 1 च्या विषमतेसह विचार करतो आणि ½, ⅓, इ.च्या विषमतेसह पुढे काय झाले:

TF-IDF गुणांकांसाठी, आम्ही मजकूरांसाठी TF-IDF प्रमाणेच करतो, फक्त आम्ही खरेदीदारास एक दस्तऐवज मानतो आणि चेकला ऑफर म्हणून, अनुक्रमे, शब्द एक उत्पादन आहे. अशा प्रकारे, वापरकर्त्याचा वेक्टर दुर्मिळ वस्तूंकडे अधिक वळेल, तर खरेदीदारासाठी वारंवार आणि परिचित वस्तू त्यात फारसा बदल करणार नाहीत. दृष्टिकोन असे स्पष्ट केले जाऊ शकते:

आता मेट्रिक्स पाहू. ALS परिणाम असे दिसतात:

खरेदीदार वेक्टर तयार करण्याच्या भिन्न भिन्नतेसह Item2Vec साठी मेट्रिक्स:

या प्रकरणात, आमच्या बेसलाइनप्रमाणेच अगदी समान मॉडेल वापरले जाते. फरक एवढाच आहे की आपण कोणता k वापरणार आहोत. फक्त सहयोगी मॉडेल्स वापरण्यासाठी, तुम्हाला प्रत्येक ग्राहकासाठी जवळपास 50-70 जवळची उत्पादने घ्यावी लागतील.

आणि DSSM नुसार मेट्रिक्स:

सर्व पद्धती कशा एकत्र करायच्या?

छान, तुम्ही म्हणता, पण उमेदवार काढण्याच्या एवढ्या मोठ्या साधनांचे काय करायचे? तुमच्या डेटासाठी इष्टतम कॉन्फिगरेशन कसे निवडायचे? येथे आम्हाला अनेक समस्या आहेत:

1. प्रत्येक पद्धतीमध्ये हायपरपॅरामीटरसाठी शोध जागा मर्यादित करणे आवश्यक आहे. हे अर्थातच सर्वत्र वेगळे आहे, परंतु संभाव्य बिंदूंची संख्या खूप मोठी आहे.
2. विशिष्ट हायपरपॅरामीटर्ससह विशिष्ट पद्धतींचा एक छोटासा मर्यादित नमुना वापरून, तुम्ही तुमच्या मेट्रिकसाठी सर्वोत्तम कॉन्फिगरेशन कसे निवडू शकता?

आम्हाला अद्याप पहिल्या प्रश्नाचे निश्चितपणे योग्य उत्तर सापडलेले नाही, म्हणून आम्ही पुढील गोष्टींपासून पुढे जाऊ: प्रत्येक पद्धतीसाठी, आमच्याकडे असलेल्या डेटावरील काही आकडेवारीवर अवलंबून, एक हायपरपॅरामीटर शोध स्पेस लिमिटर लिहिलेला आहे. अशाप्रकारे, लोकांकडून खरेदी दरम्यानचा सरासरी कालावधी जाणून घेतल्यास, "काय आधीच विकत घेतले आहे" आणि "दीर्घ काळापूर्वीच्या खरेदीचा कालावधी" पद्धतीचा वापर कोणत्या कालावधीत करायचा याचा अंदाज लावू शकतो.

आणि आम्ही वेगवेगळ्या पद्धतींच्या विशिष्ट संख्येच्या फरकांमधून गेल्यानंतर, आम्ही खालील गोष्टी लक्षात घेतो: प्रत्येक अंमलबजावणी विशिष्ट संख्येने उमेदवार काढते आणि आमच्यासाठी मुख्य मेट्रिकचे विशिष्ट मूल्य असते (आठवणे). आम्हाला आमच्या परवानगीयोग्य संगणन शक्तीवर अवलंबून, शक्य तितक्या उच्च मेट्रिकसह एकूण विशिष्ट उमेदवारांची संख्या मिळवायची आहे. येथे समस्या सुंदरपणे बॅकपॅक समस्येमध्ये कोसळते.

येथे उमेदवारांची संख्या ही पिंडाचे वजन आहे आणि रिकॉल पद्धत हे त्याचे मूल्य आहे. तथापि, अल्गोरिदम लागू करताना आणखी 2 मुद्दे विचारात घेतले पाहिजेत:

• त्यांनी पुनर्प्राप्त केलेल्या उमेदवारांमध्ये पद्धती ओव्हरलॅप असू शकतात.
• काही प्रकरणांमध्ये, भिन्न पॅरामीटर्ससह एक पद्धत दोनदा घेणे योग्य असेल आणि पहिल्यापासूनचे उमेदवार आउटपुट दुसऱ्याचा उपसंच असणार नाही.

उदाहरणार्थ, जर आपण "मी आधीच विकत घेतलेले आहे" पद्धतीची अंमलबजावणी वेगवेगळ्या अंतराने पुनर्प्राप्तीसाठी घेतली, तर त्यांच्या उमेदवारांचे संच एकमेकांमध्ये नेस्ट केले जातील. त्याच वेळी, बाहेर पडताना "नियतकालिक खरेदी" मधील भिन्न मापदंड पूर्ण छेदनबिंदू प्रदान करत नाहीत. म्हणून, आम्ही वेगवेगळ्या पॅरामीटर्ससह सॅम्पलिंग पध्दतींना ब्लॉक्समध्ये विभाजित करतो जसे की प्रत्येक ब्लॉकमधून आम्हाला विशिष्ट हायपरपॅरामीटर्ससह जास्तीत जास्त एक निष्कर्ष काढायचा आहे. हे करण्यासाठी, आपल्याला नॅपसॅक समस्येची अंमलबजावणी करण्यात थोडे हुशार असणे आवश्यक आहे, परंतु लक्षणे आणि परिणाम बदलणार नाहीत.

हे स्मार्ट संयोजन आम्हाला फक्त सहयोगी मॉडेल्सच्या तुलनेत खालील मेट्रिक्स मिळवण्याची परवानगी देते:

अंतिम मेट्रिक्समध्ये आम्ही खालील चित्र पाहतो:

तथापि, येथे तुमच्या लक्षात येईल की व्यवसायासाठी उपयुक्त असलेल्या शिफारशींसाठी एक उलगडलेला मुद्दा आहे. आता आम्‍ही नुकतेच शिकलो आहोत की वापरकर्ता काय खरेदी करेल याचा अंदाज लावण्‍याचे उत्तम काम कसे करायचे, उदाहरणार्थ, पुढील आठवड्यात. परंतु तो आधीच खरेदी करेल अशा वस्तूवर फक्त सूट देणे फारसे छान नाही. परंतु अपेक्षा वाढवणे छान आहे, उदाहरणार्थ, खालील मेट्रिक्स:

1. वैयक्तिक शिफारशींवर आधारित मार्जिन/उलाढाल.
2. सरासरी ग्राहक तपासणी.
3. भेटींची वारंवारता.

म्हणून आम्ही प्राप्त संभाव्यता वेगवेगळ्या गुणांकांनी गुणाकार करतो आणि त्यांना पुन्हा रँक करतो जेणेकरून वरील मेट्रिक्सवर परिणाम करणारी उत्पादने शीर्षस्थानी येतात. कोणता दृष्टीकोन वापरणे सर्वोत्तम आहे यासाठी कोणताही तयार उपाय नाही. आम्ही थेट उत्पादनात अशा गुणांकांचा प्रयोग करतो. परंतु येथे मनोरंजक तंत्रे आहेत जी बर्याचदा आम्हाला सर्वोत्तम परिणाम देतात:

1. उत्पादनाच्या किंमती/मार्जिनने गुणाकार करा.
2. ज्यामध्ये उत्पादन दिसते त्या सरासरी पावतीने गुणाकार करा. म्हणून माल येईल, ज्यासह ते सहसा काहीतरी वेगळे घेतात.
3. या उत्पादनाच्या खरेदीदारांच्या भेटींच्या सरासरी वारंवारतेने गुणाकार करा, हे उत्पादन लोकांना अधिक वेळा परत येण्यास प्रवृत्त करते या गृहीतकावर आधारित.

गुणांकांसह प्रयोग आयोजित केल्यानंतर, आम्ही उत्पादनात खालील मेट्रिक्स प्राप्त केले:

तो आहे एकूण उत्पादन रूपांतरण — आम्ही व्युत्पन्न केलेल्या शिफारशींमधील सर्व उत्पादनांपैकी खरेदी केलेल्या उत्पादनांचा वाटा.

चौकस वाचकाला ऑफलाइन आणि ऑनलाइन मेट्रिक्समधील महत्त्वाचा फरक लक्षात येईल. हे वर्तन या वस्तुस्थितीद्वारे स्पष्ट केले आहे की मॉडेलला प्रशिक्षण देताना शिफारस केलेल्या उत्पादनांसाठी सर्व डायनॅमिक फिल्टर विचारात घेतले जाऊ शकत नाहीत. आमच्यासाठी, ही एक सामान्य गोष्ट आहे जेव्हा पुनर्प्राप्त केलेले अर्धे उमेदवार फिल्टर केले जाऊ शकतात; ही विशिष्टता आमच्या उद्योगात वैशिष्ट्यपूर्ण आहे.

महसुलाच्या संदर्भात, खालील कथा प्राप्त झाली आहे, हे स्पष्ट आहे की शिफारसी लाँच केल्यानंतर, चाचणी गटाचा महसूल जोरदार वाढत आहे, आता आमच्या शिफारसींसह महसुलातील सरासरी वाढ 3-4% आहे:

शेवटी, मला असे म्हणायचे आहे की जर तुम्हाला नॉन-रिअलटाइम शिफारसींची आवश्यकता असेल, तर शिफारशींसाठी उमेदवार काढण्याच्या प्रयोगांमध्ये गुणवत्तेत खूप मोठी वाढ आढळू शकते. त्यांच्या पिढीसाठी मोठ्या प्रमाणात वेळ अनेक चांगल्या पद्धती एकत्र करणे शक्य करते, जे एकूणच व्यवसायासाठी उत्कृष्ट परिणाम देईल.

ज्यांना सामग्री मनोरंजक वाटेल त्यांच्याशी टिप्पण्यांमध्ये गप्पा मारण्यात मला आनंद होईल. तुम्ही मला येथे वैयक्तिकरित्या प्रश्न विचारू शकता तार. मी एआय/स्टार्टअप्सबद्दल माझे विचार देखील शेअर करतो टेलिग्राम चॅनेल - स्वागत आहे :)

स्त्रोत: www.habr.com