Крупнейшие интернет-площадки опубликовали на своих ресурсах правила применения своих рекомендательных алгоритмов. Этого требует от них закон о рекомендательных алгоритмах, вступивший в силу с октября.
Ozon
На сайте Ozon в "документах" появились разделы, описывающие алгоритм поиска на Ozon и алгоритм рекомендаций на Ozon. Рекомендательная система маркетплейса оценивает вероятность взаимодействия пользователя с каждым товаром из 2000-4000 отобранных. При этом она учитывает несколько типов взаимодействия:
· покупка товара,
· клик на карточку товара,
· добавление в корзину,
· добавление в избранное.
Предсказание производится в несколько этапов:
· Вычисляются все фичи (свойства, от английского features) каждого отдельного товара, которые могут повлиять на факт продажи. Каждая фича - это вещественное число. Например, фичей может быть рейтинг товара или его цена.
· К набору фичей применяется модель машинного обучения, предсказывающая вероятность совершения действия на основе значений фичей. В качестве модели Ozon использует один из методов машинного обучения - градиентный бустинг деревьев решений.
· Модель выдаёт число, которое используется для оценки вероятности.
Wildberries
Площадка рассказала, что в числе параметров, которые она анализирует, - информация о действиях и запросах пользователя на маркетплейсе, данные о его геолокации и устройстве, длительность поисковой сессии и источник перехода на сайт, а также дата и время посещения платформы.
Ритейлер анализирует данные с помощью нескольких технологий, в их числе - нейросети и модели машинного обучения. На основании собранных о пользователе данных предсказываются его последующие действия с помощью набора алгоритмов, а результаты работы нескольких алгоритмов объединяются и формируют рекомендации.
Яндекс.Маркет
Например, на Яндексе появился раздел "Правила рекомендаций", где описываются особенности работы всех сервисов экосистемы, в том числе поисковика. Рекомендации постоянно меняются и подстраиваются под поведение пользователей.
Известно, что рекомендательные алгоритмы Маркета используют следующие сведения о предпочтениях пользователей, полученные от них при использовании сервиса:
· историю поиска товаров,
· историю покупок на Маркете,
· просмотры и клики,
· товары, добавленные в корзину и избранное,
· размеры одежды, которую человек покупал раньше,
· любимые бренды.
Также используются аналогичные агрегированные данные по другим пользователям сервиса.
Алгоритм выбирает рекомендованные товары по принципу ранжирования. Чем выше вероятность, что покупатель откроет карточку товара, закажет его, положит в корзину или добавит в избранное, тем выше этот товар оказывается в списке ранжирования.
Для формирования рекомендаций алгоритм Маркета анализирует множество пользовательских и товарных факторов. Среди них, например, действия покупателя на сервисе и текущий потребительский спрос на тот или иной товар.
Могут быть ограничения, связанные с законодательством или, например, с возрастной маркировкой товаров.
СберМаркет
На сайте сервиса появился большой раздел о работе рекомендательной модели.
CберМаркет использует рекомендации двух типов - персонализированные и неперсонализированные.
Персонализированные рекомендации - это предположение о том, какой товар может быть интересен пользователю исходя из сведений о действиях, совершённых данным пользователем на СберМаркете. Методы предоставления Персонализированных Рекомендаций на СберМаркете:
· Формирование рекомендационной персонализированной подборки (блока) товаров "Стоит присмотреться" и размещение ее на главной странице в каталоге товаров партнера СберМаркета на СберМаркете;
· Формирование рекомендационной персонализированной подборки (блока) товаров "Добавить к заказу" и размещение ее на странице корзины - специальном разделе на СберМаркете, где пользователь может ознакомиться с составом своего заказа до его оплаты;
Неперсонализированные рекомендации - это предположение о том, какой товар может быть интересен пользователю в конкретном рекомендательном блоке в зависимости от цели такого блока, без использования каких-либо сведений о предпочтениях. Методы предоставления неперсонализированных рекомендаций:
· Формирование рекомендационного неперсонализированного блока Товаров "Похожие" в карточке товара в каталоге на СберМаркете. Цель такого блока - дать пользователю возможность увидеть похожие товары от других производителей или с другими характеристиками (вкус, цвет, объём, размер и т.д.);
· Формирование рекомендационного неперсонализированного блока товаров "С этим товаром смотрят" в карточке товара в каталоге на СберМаркете. Цель такого блока - дать Пользователю возможность увидеть товары, которые часто покупают вместе с товаром, который пользователь смотрит в данный момент.