One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
Diese Arbeit zeigt auf, dass eine einzige, gelernte hierarchische semantische ID-Repräsentation die Aufgaben der Produktdiscovery und der Suche effektiv vereinheitlichen kann, indem sie sowohl ein verbessertes personalisiertes Ranking durch aggregierte Verhaltenssignale als auch eine effektivere Abfrage-Reformulierung mittels konzeptgestützter Navigation ermöglicht, während gleichzeitig aufgabenspezifische Kontexte bewahrt werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In den riesigen digitalen Marktplätzen, auf denen wir Lebensmittel, Kleidung und Haushaltswaren kaufen, trägt ein einzelnes Produkt oft viele verschiedene Gesichter. Eine bestimmte Marke Milch kann von einem Geschäft unter einem Namen gelistet werden und von einem anderen Geschäft unter einem völlig anderen Code, obwohl die Flasche im Regal identisch ist. Diese Fragmentierung macht es schwierig für Computer zu verstehen, dass ein Kunde, der eine Version eines Produkts kauft, wahrscheinlich auch an der anderen interessiert ist. Um dies zu lösen, haben Forscher schon lange versucht, Produkte in Kategorien zu ordnen, ganz so, wie eine Bibliothek ein Ablagesystem verwendet. Diese menschengemachten Kategorien sind jedoch oft zu breit gefasst, um die subtilen Unterschiede zwischen Artikeln zu erfassen, während die Rohdaten aus jedem Geschäft zu ungeordnet sind, um die Verbindung herzustellen. Die Herausforderung besteht darin, einen Weg zu finden, einen Computer zu lehren, die Beziehungen zwischen Produkten zu sehen, ohne die spezifischen Details zu verlieren, die für einen Käufer wichtig sind.
Ein Team von Forschern bei DoorDash setzte sich zum Ziel, dieses Problem zu lösen, indem sie eine neue Art der Darstellung von Produkten entwickelten – eine, die als gemeinsame Sprache sowohl für die Empfehlung von Artikeln als auch für die Unterstützung beim Suchen dient. Sie entwickelten ein System, das Produktinformationen in einen kurzen, eindeutigen Code umwandelt, ähnlich einem digitalen Fingerabdruck. Als sie diese Codes analysierten, entdeckten sie, dass diese sich natürlich zu einer Hierarchie formten, vergleichbar mit einem Satz ineinander verschachtelter Boxen. Die äußeren Schichten des Codes gruppieren Produkte in breite Kategorien, während die inneren Schichten immer tiefer in immer spezifischere Details eintauchen. Diese Struktur ermöglichte es dem System zu verstehen, dass zwei Produkte verwandt sind, weil sie den Anfang ihrer Codes teilen, selbst wenn die Geschäfte, die sie listen, unterschiedliche Namen verwenden. Die Forscher testeten dann, ob diese einzige Hierarchie zwei sehr unterschiedliche Aufgaben steuern konnte: die Entscheidung, welche Produkte einem Kunden auf einer Browsing-Seite angezeigt werden, und das Vorschlagen besserer Suchbegriffe, wenn ein Kunde eine Suchanfrage eingibt.
Die Forscher wandten diese Hierarchie zuerst auf das Problem des Rankings von Produkten auf Entdeckungsseite an, wo Nutzer durch Karussells mit Artikeln wie „Sommergrillen“ oder „Schönheit“ stöbern. In der Vergangenheit hatte das System Schwierigkeiten, die Vorlieben eines Kunden zu erlernen, da es jedes Listing eines Geschäfts als eine separate Einheit behandelte. Wenn ein Nutzer eine bestimmte Art von Kaffee in einem Geschäft kaufte, wusste das System nicht automatisch, dass er dieselbe Kaffeeart auch in einem anderen Geschäft mögen könnte. Durch die Verwendung der neuen hierarchischen Codes konnte das System diese ähnlichen Artikel zusammenführen und die Kaufhistorie des Kunden über alle sie betreffenden Listings hinweg aggregieren. Dies ermöglichte es dem Ranking-Algorithmus, eine Vorliebe für ein Produktkonzept anstelle eines einzelnen Geschäfts-Listings zu erkennen. Als sie dies in der realen Welt testeten, wurde das System signifikant besser darin, vorherzusagen, was ein Kunde in seinen Warenkorb legen möchte. Die Ergebnisse zeigten eine spürbare Steigerung des Engagements, wobei Kunden mehr Artikel in ihre Warenkörbe legten, insbesondere in den obersten Positionen der Browsing-Listen. Vielleicht noch wichtiger ist, dass das System eine größere Vielfalt an Produkten zeigte, wodurch weniger populäre Artikel eine faire Chance erhielten, gesehen zu werden, anstatt nur dieselben Bestseller zu wiederholen.
Dieselbe hierarchische Struktur wurde dann verwendet, um das Sucherlebnis zu verbessern, speziell die Vorschläge, die erscheinen, wenn ein Nutzer einen Suchbegriff eingibt. Traditionell schlagen Suchsysteme neue Begriffe vor, indem sie betrachten, was Menschen als Nächstes in ihrem Suchverlauf eingegeben haben. Dieser Ansatz scheitert oft, weil er durch Tippfehler, Abkürzungen oder die Tatsache, dass dieselben Wörter in verschiedenen Kontexten unterschiedliche Bedeutungen haben können, verwirrt wird. Das neue System übersetzt stattdessen die Suche des Nutzers in die Produktkonzepte, die durch die hierarchischen Codes definiert sind. Es sucht dann nach Übergängen zwischen diesen Konzepten anstatt zwischen rohen Wörtern. Wenn ein Nutzer beispielsweise nach „Milch“ sucht, versteht das System dies als Produktkonzept und kann entweder lateral zu „Müsli“ wechseln oder die Suche zu „Vollmilch“ verfeinern, je nachdem, was der Nutzer in der Vergangenheit tatsächlich angeklickt hat. Diese Methode erwies sich als präziser als bisherige Ansätze. In Tests generierte das neue System Vorschläge, die deutlicher und nützlicher waren und den Nutzern halfen, schneller zu finden, wonach sie suchten. Bei der Anwendung auf echte Nutzer reduzierte das System die Anzahl der Scrolls und Klicks, die nötig waren, um ein Produkt zu finden, was bedeutete, dass Käufer ihre gewünschten Artikel mit weniger Aufwand erreichten.
Die Studie zeigt, dass eine einzige, gelernte Hierarchie von Produktcodes als kraftvolle Grundlage sowohl für die Empfehlung von Artikeln als auch für die Verfeinerung von Suchanfragen dienen kann. Indem sie sich von starren, menschengemachten Kategorien abwandten und stattdessen eine Struktur verwendeten, die der Computer direkt aus den Daten lernte, schufen die Forscher ein System, das sowohl flexibel als auch präzise ist. Die Ergebnisse legen nahe, dass, wenn Computer die Beziehungen zwischen Produkten auf mehreren Detailebenen verstehen, sie die spezifischen Bedürfnisse einzelner Käufer besser bedienen können. Die Ergebnisse waren nicht nur theoretisch; sie wurden in realen Experimenten gemessen, in denen das neue System die alten Methoden konsistent übertraf, was zu zufriedeneren Kunden und einem effizienteren Marktplatz führte. Diese Arbeit verdeutlicht, wie ein gemeinsames Verständnis der Produktstruktur die Lücke zwischen der chaotischen Realität von Millionen verschiedener Angebote und dem personalisierten Erlebnis, das jeder Käufer erwartet, schließen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.