“Вы продоете "теплых кросовок"? Или как работает поиск в Lamoda”

Transcript

1. Александр Желубенков DS Lead, Ranking & Navigation Вы “продоёте теплых кросовок”? или как работает поиск в Lamoda
2. Поиск в Lamoda Популярный инструмент > 100.000 уникальных запросов в день Важный продукт 20% - доля выручки из поиска В большом числе кейсов это единственный эффективный способ найти релевантные товары: d если есть конкретная потребность “кеды air force черные” d если трудно ориентироваться в каталоге “шапки” лежат в категории “Аксессуары”
3. Особенности поиска в fashion- сегменте Простой язык запросов Есть и сложные запросы из низкочастотного хвостаa H “босоножки женские без каблука с открытым носомB H “красовка калсниеB H “подушки колбасой” Структура потока: “бренд“ “категория + гендер” … “категория + гендер + цвет” 25% 22% 1%
4. Особенности поиска в fashion- сегменте Узкая предметная область Какому запросу релевантны все эти товары?
5. Особенности поиска в fashion- сегменте Узкая предметная область Какому запросу релевантны все эти товары? Американка водолазка без рукавов мужская куртка бомбер американская пройма
6. Особенности поиска в fashion- сегменте Структура в описании документов Короткие и частично структурированные описания товаров Контролируем контент - можем управлять атрибутами товаров!
7. поиск “в лоб” не работает? Почему
8. Особенности Пользователи привыкли, что поиск должен найти релевантные результаты, даже если ввести запрос в неправильной раскладке или с ошибками “штаны” нужна синонимия “красовки”, “yfqr”(найк) опечатки, транслиты, раскладка “футболки и поло” учет сложных паттернов “условия доставки” сервисные запросы
9. К какому решению мы пришли Два модуля, в которых сосредоточена основная логика поиска отвечает за понимание и разбор запроса отвечает за логику индексации товара
10. К какому решению мы пришли Общая логика поиска глазами data scientist-а ТОВАР
 и его описание
11. К какому решению мы пришли Общая логика поиска глазами data scientist-а ТОВАР
 и его описание КУПИТЬ ТЕПЛЫХ КРОСОВОК
12. К какому решению мы пришли Общая логика поиска глазами data scientist-а КУПИТЬ ТЕПЛЫХ КРОСОВОК ТОВАР
 и его описание
13. Анализатор запросов Как мы понимаем запросы пользователей Часть 1
14. Зачем нам
 Search Query Analyzer Хотим понимать и разбирать запросы пользователей, чтобы: Лучше искать (синонимия, опечатки, транслиты, сервисные запросы, ...) На качественном уровне анализировать структуру потока запросов Гибко управлять тем, в каких атрибутах следует вести поиск
15. Tokenizer & Spell Corrector Named Entities Extractor Entities Tree Builder Attributes Tree Builder Этапы логики Search Query Analyzer
16. Этап 1 Токенизация Раскладка, опечатки Нормализация “rhjccjdrb” → “кроссовки” “кроссовкиnike” → “кроссовки nike” “кросовок” → “кроссовок” “кроссовок” → “кроссовки” “теплых” → “теплый” Как работает: словарь частотных опечаток + ML Как работает: pymorphy2
17. Выделение сущностей Переход от слов к именованным сущностям Зачем? Чтобы далее на уровне сущностей: Этап 2 … настраивать синонимиy … управлять, в каких атрибутах нужно искать разные сущности Как работает: внутренняя онтология (база знаний) + поиск по ней с учетом транслитов
18. Синонимия и дерево сущностей Расширение запроса: Этап 3 худи = толстовки (двусторонние синонимы) мех → утепленный (односторонние синонимы) Как работает: внутренняя онтология (база знаний)
19. Дерево атрибутов В каких атрибутах следует искать сущности: Этап 4 category – {name: 1.0} material – {materials: 1.0} is_warmed – {attributes: 1.0, description: 0.3} Как работает: отдельный ручной маппинг
20. В каких атрибутах следует искать сущности: category – {name: 1.0} material – {materials: 1.0} is_warmed – {attributes: 1.0, description: 0.3} Как работает: отдельный ручной маппинг Дерево атрибутов Этап 4
21. Индексация и поиск товаров Как обогащаются атрибуты товаров и по какой логике формируется запрос к Elasticsearch Часть 2
22. Зачем нам
 Search Enricher Хотим гибко управлять атрибутами товара: Обогащать товар новыми атрибутами Часть логики перенести на сторону формирования индекса: – сложные правила, которые тяжело учесть в Search Query Analyzer – нормализация текстовых атрибутов
23. Два типа атрибутов и логика Search Enricher Keyword-атрибуты – для поиска по точному совпадению Пример - формирование атрибута is_warmed: Text-атрибуты – для полнотекстового поиска По текстовым полям будем искать нормализованными словами IF material_filler is not empty AND ["нет утеплителя", "без утеплителя"] not in material_filler THEN {"key": "is_warmed", "value": "утепленный"} «Футболка выполн из тонк трикотаж » → «футболка выполнить из тонкий трикотаж» ена ого а
24. Search enricher Keyword fields Text fields
25. Формирование запроса к Elasticsearch ВСЕ значимые слова запроса должны быть найдены в атрибутах товара (напрямую или через синонимию)
26. Формирование запроса к Elasticsearch ВСЕ значимые слова запроса должны быть найдены в атрибутах товара (напрямую или через синонимию)
27. Формирование запроса к Elasticsearch ВСЕ значимые слова запроса должны быть найдены в атрибутах товара (напрямую или через синонимию) Rel = 1.0 Rel = 0.3
28. Какие кроссовки показывать выше в каталоге? “КУПИТЬ ТЕПЛЫХ КРОСОВОК” Search Logic
29. Какие кроссовки показывать выше в каталоге? “КУПИТЬ ТЕПЛЫХ КРОСОВОК” Search Logic Правильного ответа нет! Правильного ответа нет!
30. Ранжирование каталога строится на основании прогноза ML-модели, в которой используются: исторические продажи и конверсии товаров доступность размерной сетки цены, скидки и другие атрибуты товара релевантность товара запросу (при наличии поискового запроса)
31. Развитие поисковой системы важно для Lamoda Поиск – важный инструмент и в большом числе кейсов это наиболее эффективный способ найти релевантные товары Успешные A/B-эксперименты подтверждают, что мы не только помогаем пользователям находить товары их мечты, но и позитивно влияем на показатели бизнеса. КУПИТЬ ТЕПЛЫХ КРОСОВОК
32. Над чем работаем сейчас и какие есть планы на будущее Часть 3
33. Использование поведенческих данных в поиске Тельняшки = полосатые кофты + поведенческие данные Пример: “Тельняшки”
34. Рекомендации на пустой поисковой выдаче Альтернативные запросы Товарные рекомендации
35. Не у всех товаров хорошо заполнены атрибуты. Обогатим атрибуты, используя Computer Vision, и улучшим качество поиска. Выделение атрибутов по фото
36. Резюмируем Поиск в Lamoda – продукт, которым пользуются сотни тысяч пользователей ежедневно Особенности fashion-сегмента: простой язык запросов, короткие описания товаров и узкая предметная область
37. Резюмируем Поиск в Lamoda – продукт, которым пользуются сотни тысяч пользователей ежедневно Особенности fashion-сегмента: простой язык запросов, короткие описания товаров и узкая предметная область Основная логика поиска сосредоточена в двух модулях: Š Search Query Analyzer - отвечает за разбор и трансформацию запроса пользователя в фильтрующий запрос к Elasticsearcr Š Search Enricher - отвечает за логику индексации товара
38. Резюмируем Поиск в Lamoda – продукт, которым пользуются сотни тысяч пользователей ежедневно Особенности fashion-сегмента: простой язык запросов, короткие описания товаров и узкая предметная область Основная логика поиска сосредоточена в двух модулях: Š Search Query Analyzer - отвечает за разбор и трансформацию запроса пользователя в фильтрующий запрос к Elasticsearcr Š Search Enricher - отвечает за логику индексации товара Развитие поисковой системы важно для Lamoda, ведь помогая пользователям находить товары их мечты, мы позитивно влияем на показатели бизнеса
39. a.zhelubenkov lamoda.ru @ E-mail @topspin26 Telegram