В обед писала про то, что каждая третья продажа в экосистеме Сбера совершается благодар...
В обед писала про то, что каждая третья продажа в экосистеме Сбера совершается благодаря применению рекомендательным системам. Теперь разберу, какие вообще методы используют разработчики для создания таких систем 🔵 Классические методы. Например, коллаборативная фильтрация (ищет похожих пользователей или товары) или факторизационные машины (Factorization Machines, FM) — они хорошо находят сложные взаимосвязи между разными факторами (пользователь, товар, контекст). Пример: вы смотрите квартиры в новостройке у метро — система находит пользователей с похожим бюджетом и районом, видит, что они часто берут ещё и кладовку или паркинг, и предлагает их вам в заявке на ипотеку. 🔵 Нейросетевые подходы. Рекуррентные нейронные сети (RNN) или графовые нейронные сети (GNN) помогают моделировать последовательности действий пользователя или сложные связи между объектами в экосистеме. Пример: вы посмотрели квартиру, сохранили её и вернулись через неделю — система помнит эту цепочку и на следующем визите сразу показывает похожие варианты и напоминает про ипотеку. 🔵 Механизмы внимания (Attention Mechanism). Позволяют модели фокусироваться на наиболее релевантных частях истории пользователя в конкретный момент. Пример: полгода вы смотрели студии в пригороде, но сегодня открыли фильтр «двухкомнатная, центр» — внимание смещает фокус на новый запрос, и выдача перестраивается под текущий интерес, а не под старую историю просмотров. 🔵 Обучение с подкреплением (RL). Этот подход помогает системе не только предлагать то, что пользователь уже любит, но и аккуратно исследовать новые варианты — находить баланс между известностью и открытием чего-то свежего. Пример: вы всегда смотрите квартиры в одном районе, но система раз в несколько показов осторожно подмешивает вариант в соседнем; если вы кликаете или добавляете его в избранное, модель запоминает реакцию и постепенно расширяет ваши рекомендации. 🔵 Гибридные модели. Часто в проде работают ансамбли: одна модель быстро подбирает варианты, другая переставляет их с учётом контекста (время суток, устройство, внешние факторы). Пример: первая модель собирает 200 объявлений-кандидатов, а вторая поднимает наверх те, которые лучше подходят под ваш текущий сценарий — например, с быстрым заселением, если вы ищете жильё на выходные.
Канал в каталоге Максиметера
1 523 подписчиков · IT и технологии