Yandex Lavka a Résolu le Problème de Boucle de Recommandations avec l\'Exploration Personnalisée

Ramil Boyarchenkov, spécialiste en apprentissage automatique dans l'équipe de Yandex Lavka, a expliqué sur Habr comment le service a résolu le problème des boucles de feedback de recommandation — un effet où un système de recommandation bien entraîné devient prisonnier de sa propre précision.

Le Problème Avec Les Bonnes Recommandations

Selon l'auteur, plus le système prédit avec précision ce qu'un utilisateur mettra dans son panier, moins souvent il montre quelque chose d'inconnu — après tout, il est plus rentable de suggérer des produits éprouvés du point de vue des ventes à court terme. Au fil du temps, le système de recommandation se verrouille dans les habitudes déjà établies de l'utilisateur et cesse de pousser l'utilisateur au-delà de ces habitudes, même lorsque les intérêts de l'utilisateur changent. Le système ne remarque simplement pas ces changements car il ne voit pas de signaux au-delà de l'ensemble familier de produits.

Une tentative de résoudre ce problème de front — ajouter des produits inconnus aux résultats — nuit presque toujours aux métriques : le volume des achats immédiats diminue inévitablement si vous suggérez à l'utilisateur quelque chose dont le système n'est pas sûr.

Comment Fonctionne le Nouveau Mécanisme

L'équipe de Yandex Lavka a construit un mécanisme qui ajoute des produits inconnus non pas aléatoirement, mais personnellement — à ces utilisateurs qui sont statistiquement disposés à essayer quelque chose de nouveau.

• Les produits inconnus sont ajoutés personnellement, pas uniformément à tous les utilisateurs
• Pour chaque utilisateur, une probabilité individuelle d'affichage de nouveaux articles est calculée
• L'équipe a calibré l'"agressivité" de l'exploration — l'équilibre entre le risque de montrer une nouveauté infructueuse et l'avantage d'élargir les horizons de recommandation
• L'auteur du matériel — Ramil Boyarchenkov, ingénieur en apprentissage automatique chez Yandex Lavka

L'idée est de diriger l'exploration vers l'endroit où le bénéfice potentiel d'introduire l'utilisateur à un nouveau produit est supérieur à la perte probable à court terme en ventes — au lieu d'ajouter uniformément et donc plus risqué de nouveautés dans l'ensemble du public.

Pourquoi Cela Ne Peut Pas Être Résolu Avec Une Formule

L'équilibre entre exploration (essayer de montrer aux utilisateurs quelque chose de nouveau, risquant la précision) et exploitation (s'appuyer sur des préférences déjà éprouvées) est un problème classique familier à tout système de recommandation, des services de musique en streaming aux places de marché. Formellement, il peut être décrit mathématiquement, mais en pratique, le réglage correct dépend des spécificités d'une entreprise particulière : dans la livraison de produits, où les décisions d'achat sont prises rapidement et émotionnellement, une exploration trop agressive risque de décevoir l'utilisateur avec un produit inconnu et peu appétissant, tandis qu'une exploration trop prudente laisse le système verrouillé dans un assortiment déjà familier. C'est pourquoi l'équipe de Yandex Lavka a dû calibrer empiriquement le degré d'agressivité de l'exploration plutôt que de prendre une solution universelle toute faite.

Comment Cela Apparaît à l'Utilisateur Final

Du point de vue d'un acheteur de Yandex Lavka, les changements ne sont pas directement perceptibles : il voit simplement de temps en temps dans la sélection de recommandations un produit qu'il n'avait pas acheté auparavant et peut-être même jamais recherché. Mais derrière cet affichage unique se cache un calcul de la probabilité que cet utilisateur particulier soit prêt à essayer une nouveauté sans être déçu par le service. Une telle personnalisation ciblée de l'exploration distingue l'approche de Yandex Lavka des schémas plus grossiers où les nouveautés sont simplement mélangées uniformément dans le flux pour tous les utilisateurs, perdant certaines ventes sur ceux qui n'apprécient pas telles expériences.

Ce Que Cela Signifie

Ce cas est un exemple caractéristique de la manière dont une tâche familière à tout système de recommandation — l'équilibre entre exploration et exploitation — est résolu non pas par une formule abstraite, mais par une calibration pratique pour un entreprise spécifique et un utilisateur spécifique. La personnalisation de l'exploration permet d'élargir les horizons de recommandation sans sacrifier les ventes à court terme, et une telle approche est applicable bien au-delà de la livraison de produits — dans tout service où un système de recommandation risque de se verrouiller dans les produits déjà familiers à l'utilisateur.