Илья Осиновсков – Машинное обучение для рекомендаций товаров в Ozon

Transcript

1. Ozon Tech 2023 Машинное обучение для рекомендаций товаров в Ozon Осиновсков Илья, руководитель группы разработки «Товарные рекомендации»
2. 2 • Рекомендации в Ozon • Данные • Схема рекомендательной системы План рассказа • Планы
3. Рекомендации в Ozon 3 Что делаем? Показываем пользователю релевантные для него товары в зависимости от контекста Для чего? Делаем Ozon персонализированным для пользователя, экономим клиенту время, расширяем интересы пользователя на маркетплейсе
4. Пользовательские признаки Что знаем о пользователе? История действий • Клики • Добавления в избранное • Добавления в корзину • Покупки • Пол • Возраст • Устройство 4
5. Что знаем о товаре? • Название • Описание • Атрибуты • Фото • Взаимодействия пользователей 5
6. Двухуровневая рекомендательная система 6 100+ миллионов товаров Генерация кандидатов Расчет признаков Ранжиро- вание моделью Переран- жирование топа с учетом бизнес- правил
7. Сценарии рекомендаций 7 Похожие товары Сопутствующие товары Персональные подборки
8. Похожие товары • На карточке товара показываем аналогичные товары
9. Похожие товары Отбор кандидатов • Товары той же категории (10+ тысяч) o Берем топ N по разным статистикам 9 o Похожесть по фото o Похожесть по названию o Атрибутная похожесть
10. Похожие товары Основные признаки • Совстречаемость в сессиях пользователей 10 • Похожесть по фото • Похожесть по названию • Атрибутная похожесть • Конверсии товара
11. Сопутствующие товары • Релевантные товары к товару на карточке
12. Сопутствующие товары Отбор кандидатов • Совстречаемость в заказах пользователей o На уровне товара 12 o На уровне категорий
13. Сопутствующие товары Основные признаки • Совстречаемость в покупках пользователей 13 • Атрибутная совстречаемость • Конверсии товара
14. Персональные рекомендации • Вовлекаем пользователя в ассортимент Ozon 14
15. Персональные рекомендации Отбор кандидатов • Похожее на то, с чем взаимодействовал 15 • Сопутствующее к тому, что пользователь покупал • Регулярные покупки • Предсказание интересных юзеру категорий • Статические топы
16. Персональные рекомендации Основные признаки • Релевантность к каждому товару из истории пользователя 16 • Конверсии товара относительно соцдем характеристик • Ценовые предпочтения пользователя • Товарные признаки
17. Модель • Логируем признаки из сервиса через Kafka в Hadoop • Заказы Датасет 17 • Добавления в корзину • Клеим таргеты • Клики • Добавления в избранное Учим градиентный бустинг на задачи бинарной классификации или ранжирования
18. Архитектура решения User-History-API Shelf-API Hadoop Spark URM-server-Go URM-Storage Ceph ID юзера Просмотренные, добавленные в корзину, купленные товары Информация о пользователе, контекст рекомендаций Список товаров для показа Кандидаты Логи взаимодействий пользователя с рекомендациями Датасет для обучения моделей Информация о товарах Обновление индекса и моделей Сatboost модели, индекс товаров Фичи рекомендаций 18
19. Планы 19 Автоматическое обновление моделей в проде Нейросетевое ранжирование Повышение разнообразия рекомендаций
20. Наши вакансии Ведущий Data Scientist (Deep Learning), Рекомендации и персонализация Старший Data Scientist, Товарные рекомендации Разработчик Go, Рантайм рекомендаций 20
21. osinovskov@ozon.ru Спасибо за внимание Осиновсков Илья, руководитель группы разработки «Товарные рекомендации»