Кластеризация волатильных объявлений с помощью EM-алгоритма — Василий Лексин (Avito)

Расскажу, как можно делать unsupervised кластеризацию короткоживущих объявлений на примере Avito. Данный подход позволяет получить устойчивых кластеры товаров для последующего применения в алгоритмах рекомендаций. Представлю оптимизированный EM-алгоритм, способный эффективно обрабатывать огромные массивы данных. Расскажу про методики оценки качества кластеризации и о прикладных применениях алгоритма.

Avito Data Science Meetup: Personalization
27/02/2018
https://avitotech.timepad.ru/event/665814/

Transcript

1. Лексин Василий Кластеризация волатильных объявлений с помощью EM-алгоритма
2. 2 2 2 • 53 миллионов активных объявлений • 32 миллиона активных пользователей в месяц (каждый 4-ый житель России пользуется Авито каждый месяц) • 4 платформы: avito.ru, m.avito.ru, Android, iOS С какими объемами данных мы имеем дело?
3. 3 3 3 На Авито есть все, что легально
4. 4 4 4 • User-to-item: • Объявления, которые в настоящий момент ищет пользователь • Дополняющие товары/услуги • User-to-category: • Категории текущих интересов пользователя • Кросс-категориальные рекомендации • Item-to-item: • Рекомендации похожих объявлений • Дополняющие товары/услуги • Personalized search • Саджесты поиска • Персонализованный поиск Актуальные задачи рекомендаций
5. 5 5 5 Рекомендации на главной странице
6. 6 6 6 Рекомендации на главной странице
7. 7 7 7 Письма и push-уведомления с рекомендациями
8. 8 8 8 Рекомендации похожих и дополняющих товаров на карточке товара
9. 9 9 9 Кросс-категорийные рекомендации в поисковой выдаче
10. 10 10 10 • Пользователя, как правило, интересует типовой товар: • на который есть много активных объявлений, • объявления быстро закрываются • Лучше строить рекомендации не на конкретных объявлениях, а на типовых товарах • Объявления создаются обычными пользователями: много неполных описаний Специфика рекомендаций на Авито
11. 11 11 11 Задача кластеризации 1 iPhone 6 16 Gb
12. 12 12 12 • Большая размерность и разреженность user-item матрицы при использовании объявлений • Кластеризация позволяет существенно снизить время обучения модели • Мы можем рекомендовать пользователям объявления из интересующих их кластеров, что позволяет реже переобучать модель Предпосылки к созданию модели кластеризации
13. 13 13 13 • Начинаем с самого нижнего уровня текущей инфомодели - микрокатегорий • Добавляем априорное знание о производителях (там, где они есть) • Кластеризуем объявления внутри производителя/ микрокатегории • Радуемся / расстраиваемся Устройство модели 1
14. 14 14 14 • Загрузка данных об объявлениях (микрокатегория, заголовок, описание, цена, параметры): 53M объявлений, 11K микрокатегорий/производителей (по 4.5K на микрокатегорию, max 772K) • Предобработка текстовых данных: токенизация, фильтрация регулярными выражениями • Извлечение признаков: bag-of-words, отбор токенов, на выходе разреженные-матрицы • Кластеризация: EM-алгоритм (на основе подхода от eBay: Ye Chen, John F. Canny. Recommending ephemeral items at web scale) Подготовка данных 1
15. 15 15 15 EM-алгоритм: исходные данные
16. 16 16 16 EM-алгоритм: представление кластера
17. 17 17 17 EM-алгоритм: функция правдоподобия
18. 18 18 18 EM-алгоритм: максимизация правдоподобия
19. 19 19 19 EM-алгоритм
20. 20 20 20 • Консистентность кластеров: среднее значение p на top N=5 словах с максимальным p для кластера • Оптимизируем количество кластеров k методом локтя для каждой микрокатегории Оценка качества кластеризации
21. 21 21 21 • 195К кластеров • В среднем 17 кластеров на микрокатегорию, максимум 2К • В среднем по 270 объявлении в кластере (максимум 10К) Оценка качества кластеризации
22. 22 22 22 Пример хорошего кластера 2
23. 23 23 23 Пример плохого кластера
24. 24 24 24 • Обучение EM-алгоритма 1-2 часа с оптимизацией k • Весь pipeline ~8 часов (большая часть предобработка данных) • Есть эффективный способ поместить новое объявление в существующий кластер, сложность • Ядро написано на Numpy/Scipy/Cython Эффективность алгоритма
25. 25 25 25 • Неполные тексты • Добавление картиночных признаков • (Почти) в каждом селлере живет SEO-шник • Использовать более продвинутые методы nlp / text-mining • Сложно оценить качество кластеризации алгоритмически • Инструмент по визуализации • Большое количество не интерпретируемых кластеров • Добавление supervised-разметки Проблемы и решения 2
26. 26 26 26 • Модели рекомендаций • Дополнителнительные признаки в моделях машинного обучения • Расширение инфомодели • Улучшение поиска Как можно использовать кластеризацию? (и зачем) 2
27. Спасибо за внимание vleksin@avito.ru