Эволюция similar-рекомендаций: как мы переосмыслили ленту. Дмитрий Борисов, Data Scientist Lamoda Tech

Подборки похожих товаров в каталоге — одна из ключевых зон в фешен-индустрии. С помощью этой фичи мы улучшаем пользовательский опыт, увеличиваем конверсию, помогаем найти альтернативы нужного размера и удерживаем пользователя в приложении.

Рассказываю про этапы развития рекомендаций похожих товаров в Lamoda — от базовых подходов до реранкера, продуктовых гипотез и современных алгоритмов:

- Что крутилось в проде ранее
- Некоторые продуктовые вызовы, тестирование гипотез
- Новые алгоритмы, учитывающие как визуальное, так и текстовое сходство
- Внедрение реранкера, результаты

Transcript

1. Эволюция similar-рекомендаций: как мы переосмыслили ленту похожих товаров
2. Давайте знакомиться t.me/latech Борисов Дмитрий Data Scientist Personalization 4
3. Lamoda в цифрах 17 млн >800к MAU товаров >200 >40 сотрудников в D&A сотрудников в DS 5
4. План 1 Принцип работы рекомендаций похожих товаров 2 Предыдущая реализация: обзор подхода 3 Улучшенный алгоритм: как это работает сейчас 6
5. Отберем похожих с помощью ML-алгоритма 7
6. Базовая архитектура рекомендательной полки Все товары Cands Reranker Business layer 8
7. «Похожие» – одна из ключевых зон в fashion индустрии Улучшаем пользовательский опыт Увеличиваем конверсию Помогаем найти альтернативы нужного размера Удерживаем в приложении 9
8. Подходы к построению similar рекомендаций Contentbased: • • Атрибуты Правила / Фильтры Collaborative filtering (behavioral): • • u2i взаимодействия co-view / co-purchase Graphbased: Deep similarity: • • • • user-item graph item-item graph embeddings multimodal Плюсы: интерпретируемость Плюсы: реальное поведение Плюсы: сложные связи Плюсы: обобщение, семантика Минусы: плохо обобщает Минусы: проблема cold start Минусы: трудности построения Минусы: сложнее внедрить 10
9. Старый алгоритм включал в себя два подхода На основе фотографий 11
10. Старый алгоритм включал в себя два подхода На основе атрибутов (контента) 12
11. Объекты основного датасета – пары (sku1; sku2) Атрибут Бренд: Sela Вес sim Wbrand 0 Wbrand_s 0.76 Атрибут Бренд: Original Siberia m Цвет: бежевый Цена: 4 099 Wcolor 0 Wcolor_sm 0.96 Wprice 0.89 Цвет: серый Цена: 5 990 13
12. Похожесть категориальных признаков на основе w2v ('women', 'REGULAR', 'SKIRTS') + 'color=розовый' ('men', 'PREMIUM', 'JEANS') + 'brand=Armani Exchange' 0.991 'color=бежевый' 0.986 'color=мультиколор' 0.980 'color=красный' ... 0.936 'color=черный' 0.993 'brand=Boss Hugo Boss' 0.992 'brand=Boss Orange' 0.991 'brand=Trussardi Jeans' ... 0.930 'brand=Karl Lagerfeld' Берем товары в одном заказе Улавливаем семантику атрибутов 14
13. Обучаем линейные модели для каждого контекста Y (таргет) Вектор признаков (1.0, 1.0, 0.0, 0.8, 1.0, ...) → 1 (0.0, 0.87, 0.0, 0.88, 0.9, ...) → 1 (0.0, 0.6, 0.0, 0.7, 0.92, ...) → 0 (0.0, 0.5, 0.0, 0.95, 0.4, ...) → 0 … Десятки тысяч обучающих примеров, обучаемся на одном месяце Линейная модель: ∑ wattr * simattr Результат обучения: подобранные веса wattr 15
14. Для разных категорий важность атрибутов отличается W 0.000 I 0.025 I 0.050 I 0.075 I 0.100 I 0.125 I 0.150 I 0.175 I Цена Вид спорта Бренд Название Цвет Стиль 16
15. Почему мы пересмотрели подход к similar Было: Хотим: • • • • • • Линейная модель по атрибутам Проблема item cold start Обучение на коротком окне Высокая вычислительная нагрузка Legacy код • • • Учитывать разную модальность Масштабируемость Делать персонализацию Иметь один similar-embedding для товара 17
16. Новый алгоритм аналогично делится на два подхода На основе текстового описания На основе фотографий 18
17. Учим эмбеддинги в парадигме metric learning Learning Negative Negative Anchor Anchor Positive Positive 19
18. Собираем positive таргет на основе заказов и сессий Order #333: • • • • Dresses #1 Bags Sweatshirts Dresses #2 Session #777: • • • • • Dresses #1 Bags #1 Sweatshirts Dresses #2 Bags #2 Dresses Class #1 Dresses Class #2 Bags Class #3 20
19. Собираем positive таргет на основе заказов и сессий Берем данные за годовой промежуток 1 21
20. Собираем positive таргет на основе заказов и сессий Берем данные за годовой промежуток Держим пропорцию 50/50 — ориентируемся на заказы, потому что их меньше 1 2 22
21. Собираем positive таргет на основе заказов и сессий Берем данные за годовой промежуток Держим пропорцию 50/50 — ориентируемся на заказы, потому что их меньше 1 2 Балансируем количество пар по месяцам 3 23
22. Обучаем текстовую и картиночную модель Товар жилет, детали: контрастная отстрочка, вид застежки: на пуговицах, для школы: школьная форма, сезон: мульти, узор: однотонный, бренд: stenser, цвет: черный. Эмбеддинг картинки (fashion-clip) Эмбеддинг текста (rubert-tiny2) Эмбеддинг товара 24
23. Обучаем текстовую и картиночную модель Товар жилет, детали: контрастная отстрочка, вид застежки: на пуговицах, для школы: школьная форма, сезон: мульти, узор: однотонный, бренд: stenser, цвет: черный. Эмбеддинг картинки (fashion-clip) Эмбеддинг текста (rubert-tiny2) • • • • Triplet Circle Loss BalanceSampler (category) Multi Similarity Miner Эмбеддинг товара 25
24. Пробовали много сетапов экспериментов 1 Различные энкодеры • dino-v2 • e5-large 1 2 Агрегации двух модальностей • concat • avg 3 Лоссы и их гиперпараметры • Circle, triplet, contrastive • Cosine, euclidean distance 26
25. Для улучшения качества используем детектор одежды 27
26. Детектор способствует поиску релевантных кандидатов Детектор помогает концентрироваться на нужной части образа Куртка Куртка Брюки 28
27. Как работает инференс основного алгоритма Архитектура основного алгоритма поиска кандидатов Image Detector (Fast R-CNN) Mapping category -> detector output Все товары Text Model Business layer Preprocess Candidates 29
28. Получился значимый прирост по целевой метрике recall@k Page view Cart add +13% +30% 30
29. Как работает инференс визуального алгоритма Архитектура визуального алгоритма поиска кандидатов Все товары Image Detector (Fast R-CNN) Fashion-clip Business layer Mapping category -> detector output Candidates & Embeddings 31
30. Получился прирост по целевой метрике recall@k Cart add +2% 32
31. Дублирование кандидатов — это потеря эффективности • Два движка не должны дублировать друг друга • Нужны разносторонние кандидаты 33
32. Генерация кандидатов ≠ ранжирование Выдача двух разных юзеров после реранкера: Candidate generation: оптимизируем метрику recall Ranking: оптимизируем метрику precision 34
33. Реранкер используется для финального ранжирования Reranker — модель из библиотеки catboost Задача: отранжировать набор готовых товаров-кандидатов в самом релевантном порядке для пользователя Таргет: добавление в корзину Учимся: на реальных показах товаров 35
34. Реранкер используется для финального ранжирования Какие признаки учитывает Reranker — модель из библиотеки catboost Задача: отранжировать набор готовых товаров-кандидатов в самом релевантном порядке для пользователя Таргет: добавление в корзину Учимся: на реальных показах товаров Товарные (sku): - sku__location__platform___cart_add___60d - sku_reviews_count - In_stock_quantity Пользовательские (user): - sum__order__90d - product_page__7d - returned_sum__30d Парные (user-sku): - facet_brand - facet_style - facet_color_family 36
35. Реранкер можно оптимизировать для стабильного latency Оптимизация: минимум фичей в пределах доверительного интервала лучшей модели 37
36. Итоговая архитектура Candidates & Features Storage & Embeddings Service Recommendations Top Ncandidates Service Recommend Reranker - Catboost inference - Dot product - Merge candidates 38
37. Итоговая архитектура Candidates & Features Storage & Embeddings Update every 1 day Features calculation Candidates calculation Service Recommendations Top Ncandidates Service Recommend Reranker Reranker train - Catboost inference - Dot product - Merge candidates Model weights & config S3 etcd 39
38. Получился значимый зеленый прирост по целевой метрике в A/B тесте Целевая метрика +1.5% 40
39. Сравнение реализованного алгоритма со старым Старый алгоритм Новый алгоритм 41
40. Ближайшие планы 1 Улучшение детектора одежды 2 1 датасетом Эксперименты с трейн 3 Новые фичи в реранкер 4 Ресерч новых моделей в основной кандидатный движок 42
41. Выводы 1 Сделали новый алгоритм, учитывающий две модальности 2 1 Начали учитывать персональные предпочтения юзеров 3 Продуктово улучшили полку рекомендаций 43
42. Дмитрий Борисов Email: dborisov@lamoda.ru Telegram: @dsborisov
43. Спасибо!