Новые алгоритмы научились рекомендовать товары без истории продаж
Алгоритмам сложно советовать новинку, о которой нет данных от пользователей. Российские исследователи предложили способы обхода проблемы холодного старта, представив на конференции ACM CIKM в Риме новые модели ранжирования.
Чтобы предложить товар, который еще никто не покупал, система должна опираться на текстовые описания. Модель E2L3AE обучается использовать (откроется в новом окне) данные о поведении пользователей для настройки текстового энкодера. Это позволяет нейросети понимать, какие именно характеристики объекта важны для подбора.
При тестировании на пяти типах товаров, включая косметику и одежду, модель показала лучшие результаты, чем предшественник L3AE. Например, на данных по офисным товарам качество ранжирования выросло на 17,2%.
Другой подход использует архитектуру MoE-IGR. Она объединяет графовую модель со «смесью экспертов», где система сама выбирает подходящую нейросеть под конкретный товар. На наборе данных MovieLens этот метод улучшил качество ранжирования новинок на 34,5% по сравнению с PinSAGE.
Проблема точного прогноза часто скрыта в методах проверки. Традиционно данные делят на обучающую и тестовую выборки случайным образом, но это позволяет модели заглядывать в будущее. Исследователи проверили это на шести наборах данных (откроется в новом окне) и обнаружили, что при случайном делении без учёта хронологии результаты оказываются хуже. На коротких видео качество ранжирования при таком подходе проседало на 81%.
· обновлено, версия 2
Источники · 2
Текст подготовила языковая модель по материалам источников.
