Исследователи «Т-Технологий» представили два подхода для улучшения рекомендательных систем, работающих с товарами без истории просмотров. Модель E2L3AE объединяет алгоритмы рекомендаций с анализом текстов, что повысило полноту рекомендаций на 20,3% и качество ранжирования на 17,2% по сравнению с базовой моделью L3AE.
Вторая разработка, архитектура MoE-IGR, сочетает графовые модели с подходом «смесь экспертов». Система анализирует характеристики объектов и распределяет задачи между специализированными нейросетями, что улучшило качество ранжирования для новых товаров на 35% относительно существующих решений.
Специалисты также доказали важность учета хронологии при тестировании моделей. При проверке на будущих взаимодействиях модели, выбранные без учета временной последовательности, показывают снижение качества ранжирования до 81% по сравнению с решениями, прошедшими хронологическую валидацию.
Модель E2L3AE, исходный код которой открыт на GitHub, применима в сервисах с подробными описаниями товаров, включая интернет-магазины косметики и канцелярии. Архитектура MoE-IGR полезна для киноиндустрии и книжного бизнеса, где требуется точная работа с постоянно пополняемыми каталогами.
