WildRecSys

📸 Как работает «Поиск по фото»? На Wildberries можно загрузить любое изображение — и сервис почти мгновенно подберёт похожие товары из каталога. Это особенно удобно, когда сложно описать вещь словами или нужно найти «точно-такую-же-и-никакую-другую» В новой статье наш коллега Никита Романов, техлид продуктов «Поиск по фото» и «Похожие по фото», подробно разбирает, как устроен сервис — какие модели используются, как достигается высокая скорость отклика и какие решения лежат под капотом 📝 Если вам интересно: - как устроен продовый пайплайн поиска по фото, - как обучается модель распознавания и зачем ей MRL - при чем здесь LLM, и как их можно использовать для уточнения запроса текстом для реализации мультимодального поиска, то стоит прочитать статью! 🤓

🤔 Неочевидные подробности обучения двухбашенных моделей Все, кто работает с рекомендациями, наверняка сталкивались с pop-bias — эффектом, при котором чем популярнее товар, тем выше вероятность, что модель снова его порекомендует. Наш коллега Андрей Атаманюк из R&D команды подготовил статью на Хабре, где (очень) подробно разбирает эту тему. Статья обзорная и не столько про практические советы, как бороться с popularity bias, сколько про фундаментальное раскрытие причин его появления. В материале много математики, но она спрятана под каты, так что можно легко пройтись только по основным тезисам! 🙂

Привет! Делимся видеозаписями докладов после RecSys Meetup 🤘 1️⃣ «Трансформеры в персональных рекомендациях: от гипотез до AB-тестирования» | Иван Ващенко, DS Team Lead в команде персональных рекомендаций VK | YouTube | Презентация 2️⃣ «Semantic IDs: архитектура и наш опыт внедрения» | Александр Тришин, DS Stream Lead в команде персональных рекомендаций VK | YouTube | Презентация 3️⃣ «Как мы обучаем CLIP-ы для текстовых тегов» | Михаил Киндулов, Stream Lead в команде Поиск по фото VK | YouTube | Презентация 4️⃣ «Счастье пользователя vs счастье продавца. Онлайн-доранжирование и байесовская оптимизация в товарных рекомендациях» | Андрей Ветров, Data Scientist в команде товарных рекомендаций VK | YouTube | Презентация Смотрите фото, чтобы оценить атмосферу. И до встречи на следующих митапах! 🌟 @wb_space

🪄 Как мы тестировали увеличение разнообразия в рекомендациях В прошлый раз мы поделились нашими способами контроля разнообразия в рекомендациях. Теперь рассказываем, что получилось на практике! Мы попробовали новый способ формирования ленты и доработали исходную гипотезу. В текущей статье — все подробности! 👌

Приглашаем на RecSys Meetup! Когда? 28 августа, старт в 18:00 Где? Москва + онлайн-трансляция Обсудим актуальное из мира рекомендаций: от передовых архитектур для построения Semantic IDs и их внедрения в продуктивные системы, до тонкостей балансировки интересов пользователей и продавцов маркетплейса с помощью онлайн-доранжирования и байесовской оптимизации. В программе: 🚩 «Semantic IDs: архитектура и наш опыт внедрения» | Александр Тришин, Data Scientist в команде персональных рекомендаций 🚩 «Счастье пользователя vs счастье продавца. Онлайн доранжирование и байесовская оптимизация в товарных рекомендациях» | Андрей Ветров, Data Scientist в команде товарных рекомендаций 🚩 «Как мы обучаем CLIP-ы для текстовых тегов» | Михаил Киндулов, CV Engineer в команде Поиска по фото 🚩 «Трансформеры в Wildberries & Russ: от гипотез до AB-тестирования» | Иван Ващенко, DS Stream Lead в команде персональных рекомендаций Регистрация уже открыта! PS: для участия в офлайне регистрация обязательна. 🌟 @wb_space

📊 Продуктовая аналитика в рекомендациях Исторически, в этом канале мы рассказывали в основном про различные DS/ML-подходы к построению рекомендаций, не акцентируя внимание на самом продукте. Именно поэтому, для полноты картины, мы запускаем цикл аналитических статей. В них мы расскажем про особенности в проведении A/B-экспериментов и аналитических исследований, построении и визуализации CJM, разработке метрик, специфичных для рекомендаций, а также о других задачах продуктовой аналитики, помогающих бизнесу принимать решения на основе данных! Сегодня эстафетная палочка у Лёши Кузнецова - лида аналитики персональных рекомендаций. Он расскажет о своём пути и особенностях работы продуктовым аналитиком.

❤ Negative sampling в рекомендательных системах Негативное сэмплирование - один из ключевых инструментов обучения моделей на большом каталоге. В сегодняшнем обзоре расскажем про основные стратегии сэмплирования: ❤ In-Batch Negative Sampling ❤ Random Negative Sampling ❤ Frequency based Random Negative Sampling ❤ Adaptive mixed strategy ❤ Adaptive mixed strategy с линейной комбинацией

⚙ Векторное доранжирование В сегодняшней статье рассказываем про техническое решение, которое позволяет использовать WildBERT для персонализации произвольной поюзерной выдачи без дополнительного переобучения. Про подход, модель и инфраструктуру - тут. С праздником!

🎤 Декомпозиция юзера на кластерные сущности На прошлой неделе прошла конференция Data Fusion, где в кейс-сессии рекомендательных систем мы рассказали как не разориться на инфраструктуре при постоянном росте количества пользователей ➡ Запись сессии ➡ Презентация…

🎤 Декомпозиция юзера на кластерные сущности На прошлой неделе прошла конференция Data Fusion, где в кейс-сессии рекомендательных систем мы рассказали как не разориться на инфраструктуре при постоянном росте количества пользователей ➡ Запись сессии ➡ Презентация ❓ Описание При построении персональных рекомендаций зачастую подразумевается, что мы должны получить для каждого пользователя свою, уникальную подборку товаров. Однако в случае, когда пользователей становится слишком много, а в инфраструктуре товары хранятся с обогащением бизнес-факторами, такая схема становится все менее масштабируема. Расскажу о том, как мы без просадки в качестве существенно сократили затраты на инфраструктуру за счет кластеризации пользователей и товаров. 💬 Основные тезисы: - кластеризация пользователей (эмбеддинги WildBERT), создание агрегированной выдачи для кластера - кластеризация товаров (e5) - выделение интересов, отображение пользователя в пространство интересов - сравнение АБ-тестов для схем "храним подборку для каждого пользователя" и "храним только кластера, юзера описываем как набор кластеров и интересов" в разрезе ранжирующих метрик и затрат на инфраструктуру - как в такой схеме не просадить качество - доранжирование по эмбедингам в онлайне в момент формирования выдачи ⏱ Скоро расскажем как выступили на Стачке в Ульяновске, которая также прошла на прошлой неделе