Kaskadowy system generatywny zwiększa skuteczność rekomendacji e-commerce o 2,7%

Tradycyjne systemy rekomendacji w e-commerce składają się z niezależnych komponentów: statycznych motywów dla sekcji strony, systemów wyszukiwania produktów i algorytmów rankingowych. Choć skuteczne w optymalizacji ogólnych preferencji, takie podejście jest sztywne i ogranicza personalizację oraz spójność semantyczną całej strony.

Kluczowe wnioski

• Nowy framework dzieli tworzenie witryn sklepowych na dwa zadania generatywne: generowanie motywów na poziomie sekcji oraz tworzenie słów kluczowych do wyszukiwania produktów.
• System wykorzystuje fine-tuning typu teacher-student do poprawy skalowalności przy zachowaniu ograniczeń produkcyjnych dotyczących opóźnień i kosztów.
• Ablacje dostrojonych modeli osiągają wydajność zbliżoną do zamkniętych modeli językowych LLM.
• Testy online wykazały wzrost dodań do koszyka o 2,7% na wizytę strony w porównaniu z silnym systemem bazowym.
• Framework integruje się z tradycyjnymi modelami rankingowymi, zachowując hybrydową infrastrukturę.

Architektura kaskadowego systemu

Autorzy wprowadzili framework merchandisingowy, który dekompozuje konstrukcję witryn sklepowych na dwa główne zadania generatywne. Pierwszy poziom obejmuje generowanie motywów na poziomie sekcji strony (nazywanych „placement”), podczas gdy drugi koncentruje się na ograniczonym generowaniu słów kluczowych dla każdej sekcji w celu zasilania systemów wyszukiwania produktów.

Takie podejście pozwala na większą elastyczność w dostosowywaniu się do dynamicznych celów biznesowych i wymagań merchandisingowych w czasie. System może lepiej reagować na zmieniające się potrzeby użytkowników i trendy rynkowe, zapewniając jednocześnie semantyczną spójność całej strony.

Optymalizacja i wdrożenie produkcyjne

Badacze zastosowali technikę fine-tuningu teacher-student w celu poprawy skalowalności rozwiązania w środowisku produkcyjnym. Podejście to pozwala na zachowanie wysokiej jakości rekomendacji przy jednoczesnym spełnieniu rygorystycznych wymagań dotyczących opóźnień i kosztów obliczeniowych typowych dla dużych platform e-commerce.

Framework zawiera również systemy oceny treści napędzane sztuczną inteligencją oraz filtrowania jakości, co umożliwia bezpieczne i zautomatyzowane wdrażanie dynamicznych treści na dużą skalę. Generatywne wyniki są łączone z tradycyjnymi modelami rankingowymi, co pozwala na zachowanie istniejącej infrastruktury hybrydowej.

Eksperymentalne wyniki potwierdzają skuteczność tego podejścia, pokazując znaczący wzrost kluczowej metryki biznesowej — dodań produktów do koszyka — przy zachowaniu stabilności i niezawodności systemu w środowisku produkcyjnym dużej platformy e-commerce.