Друзья, всем доброго дня!

🌟 Как вы знаете, неделю назад я отметил визитом Data Fest в Яндексе и заслушал несколько докладов по рекомендательным системам. Коль уж это теперь не НДА (кстати доклад про наши реки в Маркете убрали), то поделюсь с вами своими мыслями по докладу Яндекс Лавки

🌟 Итак, какие поверхности рекомендаций есть в Лавке? Основные:
1. Дискавери на главной ленте (рекомендация айтемов, которых вы еще не пробовали)
2. item-to-item (рекомендации похожих товаров при клике на карточку товара)
3. Корзина (рекомендации дополнительных товаров к собранной вами корзине)

🌟 Большая часть спича была посвящена двубашенной user-item модели трансформера. Выучиваются контентные item-эмбеддинги (на основе информации о товаре: страна, бренд и др) и user-эмбеддинги (на основе N последних действий пользователя) (N=512).

Собственно вектора эмбеддингов получены - и можно взять косинус или любую другую меру близости.

🌟 Дальше все эти меры близости (косинус, L2, ip - и другие) едут в ранжирующий кетбуст - ну и, кстати, по наблюдению, такие штуки перформят неплохо. Как итог, славный рост Discovery (что-то похожее на фото №4) и GMV (вся товарная выручка включая НДС и возвраты) корзинки.

Было еще несколько слайдов про инференс и обучение катбуста, полный доклад можно посмотреть тут https://ods.ai/events/fest2025-yandex-msc/livestream

Подробнее про трансформер:
https://arxiv.org/pdf/2310.03481
https://www.youtube.com/watch?v=_MkCtCZbH1k

🤩 Приятного просмотра и выходных