Как устроена сессионная рекомендательная система: граф, метаданные и LightGBM
Habr ·
Посетитель открыл товар A. Граф предлагает B, похожее описание — C, изображение — D. Как собрать из этих списков рекомендации, не складывая баллы с разным смыслом? На примере работающего проекта на Coveo показываю весь путь: исторический граф товаров, готовые векторы описаний и изображений, до 300 кандидатов и ранжирование с LightGBM. Разбираю квоты источников, пропуски в признаках и парное обучение — включая случай, когда купленный товар вообще не попал в кандидаты. Модель уже обучена, качество измерено, рекомендации доступны через локальный HTTP API. В статье — устройство системы, результаты сравнения с простыми методами и ограничения этих выводов. Код и инструкция воспроизведения открыты. Как собрать 20 рекомендаций