Типичная схема двухэтапная: отбор кандидатов (сотни из миллионов — популярное, похожие товары, коллаборативная фильтрация, векторный поиск по эмбеддингам) и ранжирование кандидатов моделью (часто бустинг) по признакам пользователя, товара и контекста. Подходы: контентный (похожие по свойствам), коллаборативный (похожие пользователи покупали), гибридный. Качество — офлайн (precision@k, recall@k, NDCG) и обязательно онлайн A/B-тестом.
А ещё Офлайн-метрики плохо предсказывают онлайн-эффект — модель влияет на то, что пользователи видят
Так подсказку видит пользователь sotto на живом собеседовании — за пару секунд, пока вы думаете вслух.
Коллаборативная фильтрация: матрица «пользователь — товар»; разложение матрицы (ALS, SVD) даёт эмбеддинги пользователей и товаров, рекомендация — близкие векторы.
Ранжирование: модель предсказывает вероятность клика или покупки по признакам пользователя, товара, их взаимодействия и контекста (время, устройство).
Метрики:
Проблемы: холодный старт, смещение популярности, петля обратной связи (рекомендуем популярное — оно становится популярнее), валидация по времени.
sotto слышит вопрос интервьюера и показывает короткий ответ и план, как в блоке «Коротко». Оставьте контакт — пришлём доступ и промокод.
sotto