Аватар-модель покупателя на сетях Колмогорова-Арнольда

Федор В. Краснов; Федор И. Курушин

Федор В. Краснов Исследовательский центр ООО «Вайлдберриз СК» на базе Инновационного центра «Сколково», Москва, Россия https://orcid.org/0000-0002-9881-7371
Федор И. Курушин Исследовательский центр ООО «Вайлдберриз СК» на базе Инновационного центра «Сколково», Москва, Россия https://orcid.org/0009-0007-5126-4507

Ключевые слова: большие языковые модели, поиск продуктов, рекомендации поисковых запросов, преобразование поисковых запросов, определение намерений пользователей, анализ текста, машинное обучение, электронная коммерция

Аннотация

В условиях стремительного развития электронной торговли перед специалистами встают новые задачи по персонализации поиска и рекомендаций товаров. Существующие монолитные системы поиска и рекомендаций становятся слишком громоздкими и не могут обеспечить должного уровня понимания пользователей электронной торговой площадки (ЭТП), несмотря на доступ к полной информации об их интересах и истории покупок. Широко используемые механизмы коллаборативной фильтрации также сталкиваются с проблемами: недостатком разнообразия предложений и низкой способностью удивлять. Кроме того, они характеризуются медленной обновляемостью рекомендаций и подменой «персонального» подхода на «такой же, как у других». Мы предлагаем решение этих проблем путём разработки индивидуального для каждого пользователя ЭТП поискового ассистента «Эллочка». Цифровая аватар-модель пользователя непрерывно осуществляет поиск нужных товаров, исходя из истории взаимодействия пользователя с ЭТП. Мы следуем принципу изолированности – аватар-модели не обмениваются информацией друг о друге. При регистрации нового пользователя ему создаётся новая аватар-модель, которая затем самостоятельно развивается и адаптируется к его предпочтениям и поведению. Каждая аватар-модель имеет свой собственный язык для формирования поисковых запросов, что позволяет более точно учитывать предпочтения и интересы пользователя. Сложность аватар-модели может изменяться в зависимости от интенсивности взаимодействий с ЭТП, что обеспечивает более гибкую и адаптивную систему рекомендаций. Благодаря непрерывности взаимодействий аватар-модели могут отслеживать лучшие условия для приобретения товаров, напоминать об окончании срока годности товара и необходимости повторного приобретения товаров массового спроса. Изолированность аватар-моделей позволяет переобучать их после каждого события без значительного влияния на общую систему поиска и рекомендаций. Применение нейросетевых структур и сетей Колмогорова-Арнольда в аватар-моделях позволяет улучшить основные показатели эффективности поиска и рекомендаций, такие как новизна и разнообразие.

Скачивания

Данные скачивания пока не доступны.

Литература

Butorin A.V., Murtazin D.G., Krasnov F.V. (2020) Method and system for predicting effective thicknesses in the interwell space when constructing a geological model based on the method of clustering spectral curves. Patent for invention RU 2718135 C1, 03/30/2020. Application No. 2019128334 dated 09/09/2019.

Krasnov F. (2023) Query understanding via Language Models based on transformers for e-commerce. International Journal of Open Information Technologies, vol. 11, no. 9, pp. 33–40 (in Russian).

Muennighoff N., Tazi N., Magne L., Reimers N. (2022) MTEB: Massive text embedding benchmark. arXiv:2210.07316. https://doi.org/10.48550/arXiv.2210.07316

Li P., Tuzhilin A. (2023) When variety seeking meets unexpectedness: Incorporating variety-seeking behaviors into design of unexpected recommender systems. Information Systems Research, vol. 35, no. 3. https://doi.org/10.1287/isre.2021.0053

Wang Y., Banerjee C., Chucri S., et al. (2024) Beyond item dissimilarities: Diversifying by intent in recommender systems. arXiv:2405.12327. https://doi.org/10.48550/arXiv.2405.12327

Castells P., Hurley N., Vargas S. (2022) Novelty and diversity in recommender systems. Recommender Systems Handbook (eds. F. Ricci, L. Rokach, B. Shapira). Springer, New York, NY, pp. 603–646. https://doi.org/10.1007/978-1-0716-2197-4_16

Ding Q., Liu Y., Miao C., et al. (2021) A hybrid bandit framework for diversified recommendation. Proceedings of the AAAI conference on artificial intelligence, vol. 35, no. 5, pp. 4036–4044. https://doi.org/10.1609/aaai.v35i5.16524

Li J., Wang M., Li J., et al. (2023) Text is all you need: Learning language representations for sequential recommendation. Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp. 1258–1267. https:// doi.org/10.1145/3580305.3599519

Sun F., Liu J., Wu J., et al. (2019) BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer. Proceedings of the 28th ACM international conference on information and knowledge management, pp. 1441–1450. https://doi.org/10.1145/3357384.3357895

Klenitskiy A., Vasilev A. (2023) Turning dross into gold loss: is BERT4Rec really better than SASRec? Proceedings of the 17th ACM Conference on Recommender Systems, pp. 1120–1125.

Ji Z., Yu T., Xu Y., et al. (2023) Towards mitigating LLM hallucination via self reflection. Findings of the Association for Computational Linguistics: EMNLP 2023, pp. 1827–1843.

Egorov E.A., Rogachev A.I. (2023) Adaptive spectral normalization for generative models. Doklady Mathematics, vol. 108(suppl. 2), pp. S205–S214. https://doi.org/10.1134/S1064562423701089

Chang W.C., Jiang D., Yu H.F., et al. (2021) Extreme multi-label learning for semantic matching in product search. Proceedings of the 27th ACM SIGKDD conference on knowledge discovery & data mining, pp. 2643–2651.

Sennrich R., Haddow B., Birch A. (2016) Neural machine translation of rare words with subword units. Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics, pp. 1715–1725. https://doi.org/10.18653/v1/P16-1162

Kudo T., Richardson J. (2018) SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, pp. 66–71.

Liu Z., Wang Y., Vaidya S., et al. (2024) KAN: Kolmogorov-Arnold networks. arXiv:2404.19756. https://doi.org/10.48550/arXiv.2404.19756

Vaca-Rubio C. J., Blanco L., Pereira R., Caus M. (2024) Kolmogorov-Arnold networks (KANs) for time series analysis. arXiv:2405.08790. https://doi.org/10.48550/arXiv.2405.08790

Ma X., Gong Y., He P., et al. (2023) Query rewriting for retrieval-augmented Large Language Models. arXiv:2305.14283. https://doi.org/10.48550/arXiv.2305.14283

Chen Z., Fan X., Ling Y. (2020) Pre-training for query rewriting in a spoken language understanding system. ICASSP 2020 – 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, pp. 7969–7973. https://doi.org/10.1109/ICASSP40776.2020.9053531

Bhandari M., Wang M., Poliannikov O., Shimizu K. (2023) RecQR: Using Recommendation Systems for Query Reformulation to correct unseen errors in spoken dialog systems. 17th ACM Conference on Recommender Systems (RecSys’23), Singapore, pp. 1019–1022.

Kim T.H., Neubauer M., Sfiligoi I., et al. (2004) The CDF central analysis farm. IEEE Transactions on Nuclear Science, vol. 51, no. 3, pp. 892–896. https://doi.org/10.1109/TNS.2004.829574

Kuleshov A.P. (2008) Cognitive technologies in adaptive models of complex objects. Informatsionnye Tekhnologii i Vychslitel'nye Sistemy, vol. 1, pp. 18–29.

Luo C., Lakshman V., Shrivastavaet A., et al. (2022) ROSE: Robust caches for Amazon product search. WWW '22: Companion Proceedings of the Web Conference 2022, pp. 89–93. https://doi.org/10.1145/3487553.3524213