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:
Особенности Пользователи привыкли, что поиск должен найти релевантные результаты, даже если ввести запрос в неправильной раскладке или с ошибками “штаны”
решению мы пришли Два модуля, в которых сосредоточена основная логика поиска отвечает за понимание и разбор запроса отвечает за логику индексации товара
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
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
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
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
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)
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,
Резюмируем Поиск в Lamoda – продукт, которым пользуются сотни тысяч пользователей ежедневно Особенности fashion-сегмента: простой язык запросов, короткие описания товаров и узкая предметная область
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: Search Query Analyzer - отвечает за разбор и трансформацию запроса пользователя в фильтрующий запрос к Elasticsearcr Search Enricher - отвечает за логику индексации товара
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: Search Query Analyzer - отвечает за разбор и трансформацию запроса пользователя в фильтрующий запрос к Elasticsearcr 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
yulstat
renjikari
hanhan1978
uzulla
abenben
regonn
eliasnogueira
korodroid
tomohisa
sbtechnight
tsubakimoto_s
nttcom
visional_engineering_and_design
lara
reverentgeek
colly
morganepeng
dotmariusz
swwweet
jakevdp
productmarketing
tanoku
vanstee
shpigford