नमस्ते सबै! मेरो नाम साशा हो, म CTO र LoyaltyLab मा सह-संस्थापक हुँ। दुई वर्षअघि, मेरा साथीहरू र म, सबै गरिब विद्यार्थीहरू जस्तै, साँझमा घर नजिकैको पसलमा बियरको लागि गयौं। हामी धेरै चिन्तित थियौं कि खुद्रा विक्रेता, हामी बियरको लागि आउछौं भनेर थाहा पाएर, चिप्स वा पटाखेहरूमा छुट प्रस्ताव गरेन, यद्यपि यो धेरै तार्किक छ! हामीले यो अवस्था किन भइरहेको छ भनेर बुझेनौं र हाम्रो आफ्नै कम्पनी बनाउने निर्णय गर्‍यौं। ठिक छ, बोनसको रूपमा, प्रत्येक शुक्रबार उही चिपहरूको लागि आफ्नो लागि छुटहरू लेख्नुहोस्।

र सबै कुरा बिन्दुमा पुग्यो कि म उत्पादनको प्राविधिक पक्षमा सामग्रीसँग बोल्छु NVIDIA GTC। हामी समुदायसँग हाम्रो काम साझा गर्न पाउँदा खुसी छौं, त्यसैले म एउटा लेखको रूपमा मेरो रिपोर्ट पोस्ट गर्दैछु।

परिचय

यात्राको सुरुमा सबैजना जस्तै, हामीले सिफारिसकर्ता प्रणालीहरू कसरी बनाइन्छ भन्ने बारे एक सिंहावलोकनको साथ सुरु गर्यौं। र निम्न प्रकारको वास्तुकला सबैभन्दा लोकप्रिय भयो:

यो दुई भागहरु मिलेर बनेको छ:

1. साधारण र छिटो मोडेलद्वारा सिफारिसहरूको लागि उम्मेदवारहरूको नमूना, सामान्यतया सहयोगी।
2. अधिक जटिल र ढिलो सामग्री मोडेलद्वारा उम्मेद्वारहरूको श्रेणीकरण, डेटामा सबै सम्भावित सुविधाहरूलाई ध्यानमा राख्दै।

यहाँ र तल म निम्न सर्तहरू प्रयोग गर्नेछु:

• उम्मेदवार / सिफारिसहरूको लागि उम्मेदवार - प्रयोगकर्ता-उत्पादनको एक जोडी, जसले सम्भावित रूपमा उत्पादनमा सिफारिसहरू प्राप्त गर्न सक्छ।
• उम्मेदवारहरू निकासी / निकासी / उम्मेदवार निकासी विधि - उपलब्ध डाटाबाट "सिफारिसका लागि उम्मेदवारहरू" निकाल्ने प्रक्रिया वा विधि।

पहिलो चरणमा, सहयोगी फिल्टरिङका विभिन्न भिन्नताहरू सामान्यतया प्रयोग गरिन्छ। सबैभन्दा लोकप्रिय - ALS। अचम्मको कुरा, सिफारिसकर्ता प्रणालीहरूको बारेमा धेरै लेखहरूले मात्र पहिलो चरणमा सहयोगी मोडेलहरूमा विभिन्न सुधारहरू प्रकट गर्दछ, तर कसैले पनि अन्य नमूना विधिहरूको बारेमा कुरा गर्दैन। हाम्रो लागि, केवल सहयोगी मोडेलहरू र तिनीहरूसँग विभिन्न अप्टिमाइजेसनहरू प्रयोग गर्ने दृष्टिकोणले हामीले अपेक्षा गरेको गुणस्तरको साथ काम गरेन, त्यसैले हामीले यस भागमा विशेष रूपमा अनुसन्धानमा खन्यौं। र लेखको अन्त्यमा म देखाउनेछु कि हामी कति ALS सुधार गर्न सक्षम थियौं, जुन हाम्रो आधारभूत थियो।

मैले हाम्रो दृष्टिकोणको वर्णन गर्न अघि बढ्नु अघि, यो ध्यान दिनु महत्त्वपूर्ण छ कि वास्तविक समय सिफारिसहरूको साथ, जब हाम्रो लागि 30 मिनेट पहिले भएको डेटालाई विचार गर्न महत्त्वपूर्ण हुन्छ, त्यहाँ वास्तवमा सही समयमा काम गर्न सक्ने धेरै दृष्टिकोणहरू छैनन्। तर, हाम्रो अवस्थामा, हामीले दिनमा एक पटक भन्दा बढी सिफारिसहरू सङ्कलन गर्नुपर्छ, र अधिकतर अवस्थामा - हप्तामा एक पटक, जसले हामीलाई जटिल मोडेलहरू प्रयोग गर्ने र गुणस्तर गुणा गर्ने अवसर दिन्छ।

उम्मेदवारहरू निकाल्ने कार्यमा ALS ले मात्र देखाउने मेट्रिक्सलाई आधारभूत रूपमा लिनुहोस्। हामीले निगरानी गर्ने मुख्य मेट्रिकहरू हुन्:

• सटीक - नमूनाहरूबाट सही रूपमा चयन गरिएका उम्मेद्वारहरूको अनुपात।
• याद गर्नुहोस् - उम्मेदवारहरूको अनुपात जुन वास्तवमा लक्ष्य अन्तरालमा थिए।
• F1-स्कोर - अघिल्लो दुई अंकहरूमा गणना गरिएको F-स्कोर।

अतिरिक्त सामग्री सुविधाहरूको साथ ग्रेडियन्ट बूस्टिङ प्रशिक्षण पछि हामी अन्तिम मोडेलको मेट्रिक्स पनि हेर्नेछौं। त्यहाँ पनि 3 मुख्य मेट्रिक्स छन्:

• precision@5 — प्रत्येक ग्राहकको लागि सम्भाव्यताद्वारा शीर्ष ५ बाट हिटहरूको औसत प्रतिशत।
• response-rate@5 — पसलको भ्रमणबाट कम्तिमा एउटा व्यक्तिगत प्रस्तावको खरिदमा खरिदकर्ताहरूको रूपान्तरण (एउटा प्रस्तावमा ५ उत्पादनहरू छन्)।
• औसत roc-auc प्रति प्रयोगकर्ता - माध्यम roc-auc प्रत्येक खरीददार को लागी।

यो नोट गर्न महत्त्वपूर्ण छ कि यी सबै मेट्रिक्स मा मापन गरिन्छ समय-श्रृङ्खला क्रस-प्रमाणीकरण, अर्थात्, प्रशिक्षण पहिलो k हप्तामा हुन्छ, र k + 1 हप्तालाई परीक्षण डेटाको रूपमा लिइन्छ। यसरी, मौसमी उतार-चढावहरूले मोडेलहरूको गुणस्तरको व्याख्यामा न्यूनतम प्रभाव पारेको थियो। यसबाहेक, सबै चार्टहरूमा, abscissa अक्षले क्रस-प्रमाणीकरणमा हप्ताको सङ्ख्यालाई सङ्केत गर्नेछ, र अर्डिनेट अक्षले निर्दिष्ट मेट्रिकको मूल्यलाई सङ्केत गर्नेछ। सबै ग्राफहरू एक ग्राहकको लेनदेन डेटामा आधारित छन्, ताकि तिनीहरू बीचको तुलना सही हो।

हामीले हाम्रो दृष्टिकोणको वर्णन गर्न सुरु गर्नु अघि, पहिले आधार रेखालाई हेरौं, जुन ALS प्रशिक्षित मोडेल हो।
उम्मेदवार निकासी मेट्रिक्स:

अन्तिम मेट्रिक्स:

म एल्गोरिदमका सबै कार्यान्वयनलाई केही प्रकारको व्यापार परिकल्पनाको रूपमा व्यवहार गर्छु। यसैले, धेरै मोटे रूपमा, कुनै पनि सहयोगी मोडेलहरूलाई परिकल्पनाको रूपमा मान्न सकिन्छ कि "मानिसहरूले उनीहरूलाई मनपर्ने मानिसहरूले के किन्छन् भनेर किन्न्छन्"। मैले भनेझैं, हामीले आफूलाई त्यस्ता अर्थशास्त्रहरूमा सीमित गरेका छैनौं, र यहाँ केही परिकल्पनाहरू छन् जुन अझै पनि अफलाइन रिटेलमा डेटामा राम्रो काम गर्दछ:

1. तपाईले पहिले के किन्नु भएको छ।
2. मैले पहिले किनेको जस्तै।
3. लामो विगतको खरिदको अवधि।
4. श्रेणी/ब्रान्ड अनुसार लोकप्रिय।
5. हप्तादेखि हप्तामा विभिन्न सामानहरूको वैकल्पिक खरिदहरू (मार्कोभ चेनहरू)।
6. विभिन्न मोडेलहरू (Word2Vec, DSSM, आदि) द्वारा निर्मित विशेषताहरू अनुसार, खरीददारहरूका लागि समान उत्पादनहरू।

तपाईले पहिले के किन्नु भएको थियो

किराना खुद्रा मा धेरै राम्रो काम गर्दछ कि सबै भन्दा स्पष्ट heuristic। यहाँ हामी वफादार कार्ड धारकले अन्तिम K दिनहरूमा (सामान्यतया 1-3 हप्ता), वा एक वर्ष अघि K दिनहरूमा किनेका सबै सामानहरू लिन्छौं। यो विधि मात्र लागू गर्दै, हामी निम्न मेट्रिक्स प्राप्त गर्छौं:

यो यहाँ एकदम स्पष्ट छ कि हामी जति धेरै अवधि लिन्छौं, हामीसँग बढी सम्झना र कम सटीकता छ र यसको विपरित। ग्राहकहरूको लागि औसतमा राम्रो परिणाम "पछिल्लो 2 हप्ता" दिन्छ।

मैले पहिले किनेको जस्तै

अचम्मको कुरा होइन, "पहिले के किनेको छ" किराना खुद्राको लागि राम्रोसँग काम गर्दछ, तर प्रयोगकर्ताले पहिले नै किनेको कुराबाट मात्र उम्मेदवारहरू निकाल्नु धेरै राम्रो छैन, किनभने यो सम्भव छैन कि केहि नयाँ उत्पादनको साथ खरिदकर्तालाई आश्चर्यचकित गर्न सम्भव छ। तसर्थ, हामी समान सहयोगी मोडेलहरू प्रयोग गरेर यस ह्युरिस्टिकलाई थोरै सुधार गर्न प्रस्ताव गर्दछौं। हामीले ALS तालिमको क्रममा प्राप्त गरेका भेक्टरहरूबाट, तपाईंले प्रयोगकर्ताले पहिले नै किनेको समान उत्पादनहरू प्राप्त गर्न सक्नुहुन्छ। यो विचार भिडियो सामग्री हेर्ने सेवाहरूमा "समान भिडियोहरू" सँग धेरै मिल्दोजुल्दो छ, तर प्रयोगकर्ताले कुनै खास क्षणमा के खाइरहेको/किन्दैछ भन्ने हामीलाई थाहा नभएकोले, हामी केवल उसले पहिले नै किनेको कुरासँग मिल्दोजुल्दो कुरा खोज्न सक्छौं, विशेष गरी हामी पहिले नै थाहा छ कि यो कसरी राम्रो काम गर्दछ। गत 2 हप्ताहरूमा प्रयोगकर्ता लेनदेनहरूमा यो विधि लागू गर्दा, हामीले निम्न मेट्रिकहरू पाउँछौं:

यो छ k - पछिल्लो 14 दिनमा खरिदकर्ता द्वारा खरिद गरिएको प्रत्येक उत्पादनको लागि पुन: प्राप्त गरिएका समान उत्पादनहरूको संख्या।
यो दृष्टिकोणले हाम्रो लागि विशेष गरी ग्राहकको लागि राम्रो काम गर्‍यो जुन प्रयोगकर्ताको खरिद इतिहासमा पहिले नै के थियो भनेर सिफारिस नगर्न महत्वपूर्ण थियो।

लामो विगतको खरिद अवधि

हामीले पहिले नै पत्ता लगाइसकेका छौं, सामानहरू खरीद गर्ने उच्च आवृत्तिको कारण, पहिलो दृष्टिकोणले हाम्रो विशिष्टताहरूको लागि राम्रोसँग काम गर्दछ। तर वाशिंग पाउडर/शैम्पू/इत्यादि जस्ता सामानहरूको बारेमा के हो? त्यो हो, उत्पादनहरु संग कि हरेक हप्ता वा दुई को लागी आवश्यक पर्ने सम्भावना छैन र जुन अघिल्लो विधिहरु निकाल्न सक्दैन। यसले निम्न विचारलाई सङ्केत गर्छ - प्रत्येक उत्पादनको खरिदको अवधिलाई औसतमा बढी खरिद गर्ने खरीददारहरूको लागि गणना गर्न प्रस्ताव गरिएको छ। k एक पटक। र त्यसपछि खरिदकर्ताले पहिले नै समाप्त भइसकेको कुरा निकाल्नुहोस्। सामानहरूको लागि गणना गरिएको अवधि पर्याप्तताको लागि आँखाले जाँच गर्न सकिन्छ:

र त्यसपछि हामी हेर्नेछौं कि उत्पादन अवधिको अन्त्य समय अन्तराल भित्र पर्दछ जब सिफारिसहरू उत्पादनमा हुनेछन् र नमूना के घट्छ। दृष्टिकोण यसरी चित्रण गर्न सकिन्छ:

यहाँ हामीसँग 2 मुख्य केसहरू छन् जुन विचार गर्न सकिन्छ:

1. K पटक भन्दा कम उत्पादन खरिद गर्ने ग्राहकहरूका लागि उत्पादनहरू नमूना गर्ने कि नगर्ने।
2. यदि उत्पादनको अवधिको अन्त्य लक्ष्य अन्तराल सुरु हुनु अघि नै हुन्छ भने नमूना लिने कि नगर्ने।

निम्न ग्राफले विभिन्न हाइपरपेरामिटरहरूसँग यस्तो विधिले के परिणामहरू प्राप्त गर्दछ देखाउँछ:

ft - कम्तिमा K (यहाँ K = 5) पटक उत्पादन खरिद गर्नेहरू मात्र लिनुहोस्
tm - लक्ष्य अन्तरालमा परेका उम्मेदवारहरू मात्र लिनुहोस्

अचम्मको कुरा होइन, सक्षम (0, 0) सबैभन्दा ठूलो सम्झनुहोस् र सबैभन्दा सानो सटीक, यो अवस्था अन्तर्गत सबैभन्दा उम्मेदवार निकालिएको छ। यद्यपि, उत्कृष्ट नतिजाहरू प्राप्त हुन्छन् जब हामी ग्राहकहरूको लागि उत्पादनहरू नमूना गर्दैनौं जसले एक विशेष उत्पादन भन्दा कम खरिद गरेका छन् k समय र निकासी, अन्य चीजहरू बीचमा, वस्तुहरू जसको अवधि समाप्ति लक्ष्य अन्तराल भन्दा अघि हुन्छ।

श्रेणी द्वारा लोकप्रिय

अर्को स्पष्ट विचार भनेको लोकप्रिय उत्पादनहरू विभिन्न कोटीहरू वा ब्रान्डहरूमा नमूना गर्नु हो। यहाँ हामी प्रत्येक ग्राहकको लागि गणना गर्छौं शीर्ष-के "मनपर्ने" कोटिहरू/ब्रान्डहरू र त्यस कोटी/ब्रान्डबाट "लोकप्रिय" निकाल्नुहोस्। हाम्रो अवस्थामा, हामी उत्पादन खरिदहरूको संख्याद्वारा "मनपर्ने" र "लोकप्रिय" परिभाषित गर्छौं। यो दृष्टिकोण को एक अतिरिक्त लाभ कोल्ड स्टार्ट मामला मा यसको प्रयोज्यता छ। त्यो हो, ग्राहकहरूका लागि जसले या त धेरै थोरै खरिदहरू गरेका छन्, वा लामो समयदेखि स्टोरमा छैनन्, वा सामान्यतया केवल एक वफादारी कार्ड जारी गरेका छन्। तिनीहरूका लागि, अवस्थित इतिहास भएका खरीददारहरूमाझ लोकप्रियबाट सामानहरू फाल्न सजिलो र उत्तम छ। मेट्रिक्स निम्नानुसार छन्:

यहाँ, "श्रेणी" शब्द पछिको संख्याको अर्थ कोटीको नेस्टिङ स्तर हो।

सामान्यतया, यो पनि अचम्मको कुरा होइन कि साँघुरो कोटिहरूले राम्रो नतिजाहरू प्राप्त गर्छन्, किनकि उनीहरूले खरीददारहरूको लागि अधिक सटीक "मनपर्ने" उत्पादनहरू निकाल्छन्।

हप्तादेखि हप्तामा विभिन्न सामानहरूको वैकल्पिक खरिद

एउटा चाखलाग्दो दृष्टिकोण जुन मैले सिफारिसकर्ता प्रणालीहरूको बारेमा लेखहरूमा देखेको छैन, एकदम सरल र एकै समयमा मार्कोभ चेनहरूको कार्य गर्ने सांख्यिकीय विधि हो। यहाँ हामीले २ फरक हप्ताहरू लिन्छौं, त्यसपछि प्रत्येक ग्राहकको लागि हामी उत्पादनहरूको जोडी बनाउँछौं [साप्ता i मा किनेको] - [हप्ता j मा किनेको], जहाँ j > i, र यहाँबाट हामी प्रत्येक उत्पादनको लागि अर्को हप्ता अर्को उत्पादनमा स्विच गर्ने सम्भाव्यता गणना गर्छौं। त्यो हो, सामानको प्रत्येक जोडीको लागि producti-productj फेला परेका जोडीहरूमा तिनीहरूको संख्या गणना गर्नुहोस् र जोडीहरूको संख्याले भाग गर्नुहोस्, जहाँ उत्पादन पहिलो हप्तामा थियो। उम्मेदवारहरू निकाल्न, हामी क्रेताको अन्तिम चेक लिन्छौं र पाउँछौं शीर्ष-के हामीले पाएको ट्रान्जिसन म्याट्रिक्सबाट सम्भवतः अर्को उत्पादनहरू। ट्रान्जिसन म्याट्रिक्स निर्माण गर्ने प्रक्रिया यस्तो देखिन्छ:

ट्रान्जिसन सम्भाव्यताहरूको म्याट्रिक्समा वास्तविक उदाहरणहरूबाट, हामी निम्न रोचक घटनाहरू देख्छौं:

यहाँ तपाईंले उपभोक्ता व्यवहारमा प्रकट भएका रोचक निर्भरताहरू देख्न सक्नुहुन्छ: उदाहरणका लागि, सिट्रस प्रेमीहरू वा दूधको ब्रान्ड, जसबाट तिनीहरू सम्भवतः अर्कोमा स्विच गर्छन्। यो पनि अचम्मको कुरा होइन कि उच्च दोहोर्याइएको खरिदहरू, मक्खन जस्ता वस्तुहरू पनि यहाँ समाप्त हुन्छन्।

मार्कोभ चेनहरूसँग विधिमा मेट्रिकहरू निम्नानुसार छन्:

k - खरिदकर्ताको अन्तिम लेनदेनबाट खरिद गरिएको प्रत्येक वस्तुको लागि पुन: प्राप्त गरिएका उत्पादनहरूको संख्या।
हामी देख्न सक्छौं, k = 4 को साथ कन्फिगरेसनले उत्कृष्ट परिणाम देखाउँछ। हप्ता 4 मा स्पाइक छुट्टी वरिपरि मौसमी व्यवहार द्वारा व्याख्या गर्न सकिन्छ। 

विभिन्न मोडेलहरू द्वारा निर्मित विशेषताहरू अनुसार, खरीददारहरूलाई समान उत्पादनहरू

त्यसैले हामी सबै भन्दा कठिन र चाखलाग्दो भागमा आउँछौं - विभिन्न मोडेलहरू अनुसार निर्माण गरिएका खरीददारहरू र उत्पादनहरूको भेक्टरहरूमा नजिकका छिमेकीहरूको खोजी। हाम्रो काममा, हामी 3 यस्ता मोडेलहरू प्रयोग गर्छौं:

• ALS
• Word2Vec (यस्ता कार्यहरूको लागि Item2Vec)
• DSSM

हामीले पहिले नै ALS सँग व्यवहार गरिसकेका छौं, तपाईले यो कसरी सिक्छ भनेर पढ्न सक्नुहुन्छ यहाँ। Word2Vec को मामला मा, हामी मोडेल को ज्ञात कार्यान्वयन को उपयोग गर्दछ gensim। पाठहरूसँग समानताद्वारा, हामी प्रस्तावलाई खरिद रसिदको रूपमा परिभाषित गर्छौं। यसरी, उत्पादन भेक्टर निर्माण गर्दा, मोडेलले रसिदमा उत्पादनको लागि यसको "सन्दर्भ" भविष्यवाणी गर्न सिक्छ (रासीदमा बाँकी सामानहरू)। ईकमर्स डाटामा, रसिदको सट्टा क्रेताको सत्र प्रयोग गर्नु राम्रो हुन्छ, केटाहरू ओजोन। र DSSM पृथक गर्न थप रोचक छ। यो मूल रूपमा माइक्रोसफ्टका केटाहरूले खोज मोडेलको रूपमा लेखेका थिए, तपाईं यहाँ मूल शोध पत्र पढ्न सक्नुहुन्छ। मोडेल को वास्तुकला यस्तो देखिन्छ:

यो छ Q - क्वेरी, प्रयोगकर्ताको खोज क्वेरी, D[i] - कागजात, वेब पृष्ठ। मोडेलको इनपुटले क्रमशः अनुरोध र पृष्ठहरूको संकेतहरू प्राप्त गर्दछ। प्रत्येक इनपुट तह पछि पूर्ण रूपमा जडान गरिएका तहहरू (मल्टिलेयर पर्सेप्ट्रोन) को एक संख्याले पछ्याउँछ। अर्को, मोडेलले मोडेलको अन्तिम तहहरूमा प्राप्त भेक्टरहरू बीचको कोसाइनलाई कम गर्न सिक्छ।
सिफारिस कार्यहरूले ठ्याक्कै उही वास्तुकला प्रयोग गर्दछ, तर अनुरोधको सट्टा, त्यहाँ एक प्रयोगकर्ता छ, र पृष्ठहरूको सट्टा, त्यहाँ उत्पादनहरू छन्। र हाम्रो मामला मा, यो वास्तुकला निम्न मा रूपान्तरण गरिएको छ:

अब, परिणामहरू जाँच गर्न, यो अन्तिम बिन्दु कभर गर्न बाँकी छ - यदि ALS र DSSM को मामलामा हामीले स्पष्ट रूपमा प्रयोगकर्ता भेक्टरहरू परिभाषित गरेका छौं, तब Word2Vec को मामलामा हामीसँग उत्पादन भेक्टरहरू मात्र छन्। यहाँ, प्रयोगकर्ता भेक्टर निर्माण गर्न, हामीले 3 मुख्य दृष्टिकोणहरू पहिचान गरेका छौं:

1. केवल भेक्टरहरू थप्नुहोस्, त्यसपछि कोसाइन दूरीको लागि यो थाहा हुन्छ कि हामीले भर्खरै किनमेल इतिहासमा उत्पादनहरू औसत गर्यौं।
2. केही समय भारका साथ भेक्टरहरूको योग।
3. TF-IDF गुणांक संग सामान तौल।

क्रेता भेक्टरको रैखिक वजनको मामलामा, हामी यो परिकल्पनाबाट अगाडि बढ्छौं कि प्रयोगकर्ताले हिजो किनेको उत्पादनले उसको व्यवहारमा उसले छ महिना अघि किनेको उत्पादन भन्दा बढी प्रभाव पार्छ। त्यसैले हामी 1 को गुणांक भएको क्रेताको अघिल्लो हप्ता विचार गर्छौं, र ½, ⅓, इत्यादिको गुणांकसँग के भयो।

TF-IDF गुणांकहरूको लागि, हामी पाठहरूको लागि TF-IDF मा जस्तै काम गर्छौं, केवल हामी खरिदकर्तालाई कागजातको रूपमा, र रसिदलाई प्रस्तावको रूपमा क्रमशः, शब्द उत्पादन हो। त्यसकारण प्रयोगकर्ता भेक्टरले दुर्लभ वस्तुहरूतिर थप परिवर्तन गर्नेछ, र बारम्बार र खरिदकर्तालाई परिचित सामानहरूले यसलाई धेरै परिवर्तन गर्दैन। दृष्टिकोण यसरी चित्रण गर्न सकिन्छ:

अब मेट्रिक्स हेरौं। ALS नतिजा यस्तो देखिन्छ:

क्रेता भेक्टर निर्माण गर्ने विभिन्न भिन्नताहरूसँग Item2Vec द्वारा मेट्रिक्स:

यस अवस्थामा, ठ्याक्कै उही मोडेल हाम्रो आधारभूत रूपमा प्रयोग गरिन्छ। फरक यति मात्र हो कि हामीले कुन k प्रयोग गर्नेछौं। केवल सहयोगी मोडेलहरू प्रयोग गर्नको लागि, तपाईंले प्रत्येक ग्राहकको लागि लगभग 50-70 निकटतम उत्पादनहरू लिनु पर्छ।

र DSSM मेट्रिक्स:

सबै विधिहरू कसरी संयोजन गर्ने?

राम्रो, तपाईं भन्नुहुन्छ, तर उम्मेद्वार निकासी उपकरणहरूको यति ठूलो सेटको साथ के गर्ने? तपाईको डाटाको लागि इष्टतम कन्फिगरेसन कसरी छनौट गर्ने? यहाँ हामीसँग धेरै समस्याहरू छन्:

1. प्रत्येक विधिमा हाइपरपेरामिटरहरूको लागि खोजी ठाउँ सीमित गर्न आवश्यक छ। यो, निस्सन्देह, जताततै अलग छ, तर सम्भावित बिन्दुहरूको संख्या धेरै ठूलो छ।
2. विशिष्ट हाइपरपेरामिटरहरूको साथ विशिष्ट विधिहरूको सानो सीमित नमूना प्रयोग गरेर तपाईंको मेट्रिकको लागि उत्तम कन्फिगरेसन कसरी छनौट गर्ने?

हामीले अहिलेसम्म पहिलो प्रश्नको स्पष्ट रूपमा सही जवाफ फेला पारेका छैनौं, त्यसैले हामी निम्नबाट अगाडि बढ्छौं: प्रत्येक विधिको लागि, हामीसँग भएको डाटामा केही तथ्याङ्कहरूमा निर्भर गर्दै, हाइपरपेरामिटर खोज स्पेस लिमिटर लेखिएको छ। यसरी, मानिसहरूबाट खरिदहरू बीचको औसत अवधि थाहा पाएर, हामी अनुमान गर्न सक्छौं कि कुन अवधिमा "के पहिले नै किनिएको छ" र "लामो विगतको खरिदको अवधि" विधि प्रयोग गर्ने।

र हामीले विभिन्न विधिहरूको पर्याप्त संख्यामा भिन्नताहरू पार गरिसकेपछि, हामी निम्नलाई नोट गर्छौं: प्रत्येक कार्यान्वयनले उम्मेद्वारहरूको निश्चित संख्या निकाल्छ र मेट्रिक (रिरिकल) को एक निश्चित मान हुन्छ जुन हाम्रो लागि महत्त्वपूर्ण छ। हामी उच्चतम सम्भावित मेट्रिकको साथ, हाम्रो स्वीकार्य कम्प्युटिङ शक्तिको आधारमा कुल उम्मेदवारहरूको निश्चित संख्या प्राप्त गर्न चाहन्छौं। यहाँ समस्या राम्रोसँग knapsack समस्यामा पतन हुन्छ।

यहाँ उम्मेदवारहरूको संख्या इन्गटको वजन हो, र विधि सम्झना यसको मूल्य हो। यद्यपि, त्यहाँ 2 थप बिन्दुहरू छन् जुन एल्गोरिथ्म लागू गर्दा ध्यानमा राख्नुपर्छ:

• विधिहरू उम्मेदवारहरूमा ओभरल्याप हुन सक्छ जुन उनीहरूले बाहिर निकाल्छन्।
• कतिपय अवस्थामा, विभिन्न प्यारामिटरहरूसँग दुई पटक एउटा विधि लिनु सही हुनेछ, र पहिलोको आउटपुटमा उम्मेदवारहरू दोस्रोको उपसेट हुनेछैनन्।

उदाहरणका लागि, यदि हामीले निकासीका लागि विभिन्न अन्तरालहरूमा "के पहिले नै खरिद गरिसकिएको छ" विधिको कार्यान्वयन लियौं भने, तिनीहरूका उम्मेदवारहरूको सेटहरू एकअर्कामा नेस्ट हुनेछन्। एकै समयमा, निकासमा "आवधिक खरिदहरू" मा विभिन्न प्यारामिटरहरूले पूर्ण प्रतिच्छेदन दिँदैन। त्यसकारण, हामी नमूना विधिहरूलाई विभिन्न प्यारामिटरहरूसँग ब्लकहरूमा विभाजन गर्छौं ताकि प्रत्येक ब्लकबाट हामी विशेष हाइपरप्यामिटरहरूको साथमा बढीमा एउटा निकासी दृष्टिकोण लिन चाहन्छौं। यो गर्नको लागि, तपाईंले न्यापस्याक समस्याको कार्यान्वयनमा थोरै चाल गर्नु पर्छ, तर एसिम्प्टोटिक्स र नतिजा यसबाट परिवर्तन हुनेछैन।

यस्तो चलाख संयोजनले हामीलाई केवल सहयोगी मोडेलहरूको तुलनामा निम्न मेट्रिकहरू प्राप्त गर्न अनुमति दिन्छ:

अन्तिम मेट्रिक्समा हामी निम्न चित्र देख्छौं:

यद्यपि, यहाँ तपाईले देख्न सक्नुहुन्छ कि त्यहाँ सिफारिसहरूको लागि एउटा खुला बिन्दु छ जुन व्यवसायको लागि उपयोगी छ। अब हामीले भर्खरै सिकेका छौं कि कसरी प्रयोगकर्ताले के किन्नेछ, उदाहरणका लागि, अर्को हप्ता। तर उसले जे भए पनि किन्नेछ भन्ने तथ्यमा छुट दिनु धेरै राम्रो छैन। तर अपेक्षालाई अधिकतम बनाउन यो राम्रो छ, उदाहरणका लागि, निम्न मेट्रिक्सको:

1. व्यक्तिगत सिफारिसहरूमा आधारित मार्जिन/टर्नओभर।
2. खरीददारहरूको औसत जाँच।
3. भ्रमण आवृत्ति।

त्यसैले हामीले प्राप्त सम्भाव्यताहरूलाई विभिन्न गुणांकहरूद्वारा गुणन गर्छौं र तिनीहरूलाई पुन: श्रेणीबद्ध गर्छौं ताकि शीर्षमा माथिको मेट्रिक्सलाई असर गर्ने उत्पादनहरू समावेश हुन्छन्। यहाँ कुनै तयार समाधान छैन, कुन दृष्टिकोण प्रयोग गर्न राम्रो छ। हामीले उत्पादनमा सीधै त्यस्ता गुणांकहरू प्रयोग गरिरहेका छौं। तर यहाँ केहि चाखलाग्दो चालहरू छन् जुन प्रायः हामीलाई उत्कृष्ट परिणाम दिन्छ:

1. वस्तुको मूल्य/मार्जिनद्वारा गुणन गर्नुहोस्।
2. उत्पादन हुने औसत जाँचद्वारा गुणन गर्नुहोस्। त्यसोभए सामानहरू बाहिर आउनेछन् जसको साथ तिनीहरू सामान्यतया अरू केहि लिन्छन्।
3. यस उत्पादनका खरीददारहरूले भ्रमणको औसत आवृत्तिद्वारा गुणा गर्नुहोस्, यो परिकल्पनाको आधारमा कि यो उत्पादनले यसको लागि धेरै बारम्बार फिर्ताहरू उक्साउँछ।

गुणांकहरू प्रयोग गरेपछि, हामीले उत्पादनमा निम्न मेट्रिकहरू पायौं:

यो छ समग्र उत्पादन रूपान्तरण - हामीले उत्पन्न गरेका सिफारिसहरूमा सबै उत्पादनहरूबाट खरिद गरिएका उत्पादनहरूको साझेदारी।

एक सचेत पाठकले अफलाइन र अनलाइन मेट्रिक्स बीचको महत्त्वपूर्ण भिन्नता देख्नेछ। यो व्यवहार यस तथ्यद्वारा व्याख्या गरिएको छ कि सिफारिस गर्न सकिने उत्पादनहरूका लागि सबै गतिशील फिल्टरहरू मोडेललाई प्रशिक्षण दिँदा ध्यानमा राख्न सकिँदैन। यो हाम्रो लागि सामान्य कथा हो जब निकालिएका उम्मेद्वारहरू मध्ये आधा फिल्टर गर्न सकिन्छ, यस्तो विशिष्टता हाम्रो उद्योगमा सामान्य छ।

राजस्वको सन्दर्भमा, निम्न कथा प्राप्त गरिएको छ, यो स्पष्ट छ कि सिफारिसहरू सुरु गरेपछि, परीक्षण समूहको राजस्व बलियो रूपमा बढिरहेको छ, अब हाम्रो सिफारिसहरूसँग राजस्वमा औसत वृद्धि 3-4% छ:

निष्कर्षमा, म भन्न चाहन्छु कि यदि तपाईलाई गैर-वास्तविक सिफारिसहरू चाहिन्छ भने, गुणस्तरमा धेरै ठूलो वृद्धि सिफारिसहरूको लागि उम्मेद्वारहरू निकाल्ने प्रयोगहरूमा पाइन्छ। तिनीहरूलाई उत्पन्न गर्नको लागि धेरै समयले धेरै राम्रा विधिहरू संयोजन गर्न सम्भव बनाउँछ, जसले कुलमा व्यापारको लागि राम्रो परिणाम दिनेछ।

सामग्री रोचक लाग्ने सबैसँग टिप्पणीहरूमा च्याट गर्न पाउँदा म खुसी हुनेछु। तपाईले मलाई व्यक्तिगत रूपमा प्रश्नहरू सोध्न सक्नुहुन्छ टेलीग्राम। म पनि AI/स्टार्टअपमा मेरो विचार साझा गर्छु टेलिग्राम च्यानल - स्वागत छ 🙂

स्रोत: www.habr.com