WildRecSys

Повышаем User Experience в рекомендациях В презентации из прошлого поста целый слайд посвящен бизнес слою, но мало кто знает, что у нас их целых два! Первый - на уровне модельных пайплайнов - решает 2 задачи. Фильтрует товары, неприемлемые для наших персональных выдач (18+, различная атрибутика и т.д) и отсекает айтемы, которые мы, на основе наших моделей и правил, считаем выбросами для некоторых сегментов пользователей. Например, в одном из последних UX исследований мы узнали, что мужчины, которые не пользуются одним аккаунтом со своим партнером, очень не любят когда у них на главной “проскакивают” женские товары. Для решения этой проблемы мы интегрировали в бизнес слой бустинговую модель предсказания пола и теперь “выкидываем” из предсказаний у мужчин женские айтемы. В общем, первый такой слой нужен чтобы контролировать огрехи моделей и улучшать пользовательский опыт. Второй слой решает проблему уже не пользователей, а непосредственно бизнеса - про него я расскажу в следующем посте. А сегодня - всех с наступающим Праздником Весны и Труда! 🌹

Wildberries на Data Fusion 2024 17 апреля Евгений Иванов, Lead RecSys ML Engineer, выступил с докладом «Развитие персональных рекомендаций на главной странице Wildberries» 🔥 Презентация доклада в кейс-сессии «Рекомендательные системы» ниже 👇

Продолжаем раскрывать тему трансформеров в проде. Сегодня про переход от задачи next item prediction к задаче next basket prediction, комбинирование фидбека и переиспользование эмбеддингов в других задачах. https://telegra.ph/Vyzhimaem-maksimum-iz-ALBERT4Rec-04-09

Сегодня рассказываем про то, как и чем сжимать рекомендательные эмбеддинги, сохраняя свойства изначального пространства - ближайших соседей и ранжирующие ранги. https://telegra.ph/Dlya-chego-szhimat-vektora-v-rekomendaciyah-I-pochemu-UMAP-ne-nashe-vse-03-21

Привет, сегодня статья про рекомендательные трансформеры в проде! Затронем вопросы large vocabulary bottleneck, negative sampling и logQ correction. https://telegra.ph/Strah-i-nenavist-v-rekomendaciyah-kak-zatashchit-ALBERT4Rec-v-prod-na-1080TI-03-17

В первой статье я верхнеуровнево расскажу о том, как мы строим персональные рекомендации со всех сторон - бизнеса, концепции, ML дизайна и конкретных моделей. https://telegra.ph/Kak-my-delaem-personalnye-rekomendacii-na-glavnoj-Wildberries-i-prichem-tut-slony-03-09

Всем привет! Меня зовут Иванов Евгений и я Lead RecSys ML Engineer в команде персонализации Wildberries. С момента основания направления персональных рекомендаций летом 2022 года мы проверили и завели очень много моделей и подходов, в основном это касается главной страницы, выручку с которой за это время мы увеличили примерно в 5 раз. За последние полгода команда сильно выросла - нас уже порядка 20 человек, с этим пришла и потребность делиться знаниями не только внутри компании, но и с другими коллегами по цеху. Первые посты будут в основном про персональные рекомендации, но в скором времени к нам подключатся и другие коллеги, чтобы рассказать про наши подходы в карточке товара и поиске по фото, в аналитике и АБшнице, в MLOps, DE и инфраструктуре. Всех не перечислить, слишком много у нас крутых людей работает. Подписывайтесь :)