One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
Este artículo demuestra que una única representación de ID Semántico jerárquica y aprendida puede unificar eficazmente las tareas de descubrimiento y búsqueda de productos al permitir un mejor ranking personalizado mediante la agregación de señales de comportamiento y una reformulación de consultas más efectiva a través de la navegación basada en conceptos, todo ello preservando los contextos específicos de cada tarea.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En los vastos mercados digitales donde compramos comestibles, ropa y artículos para el hogar, un solo producto suele presentar muchas caras diferentes. Una marca específica de leche puede aparecer listada por una tienda bajo un nombre y por otra tienda bajo un código completamente distinto, aunque la botella en el estante sea idéntica. Esta fragmentación dificulta que las computadoras comprendan que un cliente que compra una versión de un producto probablemente esté interesado en la otra. Para resolver esto, los investigadores han intentado durante mucho tiempo organizar los productos en categorías, de forma muy similar a como una biblioteca utiliza un sistema de archivo. Sin embargo, estas categorías creadas por humanos suelen ser demasiado amplias para capturar las sutiles diferencias entre los artículos, mientras que los datos brutos de cada tienda son demasiado desordenados para conectar los puntos. El desafío radica en encontrar una manera de enseñar a una computadora a ver las relaciones entre productos sin perder los detalles específicos que importan a un comprador.
Un equipo de investigadores de DoorDash se propuso resolver este problema creando una nueva forma de representar los productos, una que actúe como un lenguaje compartido tanto para recomendar artículos como para ayudar a las personas a buscarlos. Desarrollaron un sistema que convierte la información del producto en un código corto y único, similar a una huella digital. Al analizar estos códigos, descubrieron que naturalmente formaban una jerarquía, como un conjunto de cajas anidadas. Las capas exteriores del código agrupan los productos en categorías amplias, mientras que las capas interiores profundizan en detalles cada vez más específicos. Esta estructura permitió al sistema comprender que dos productos están relacionados porque comparten el inicio de sus códigos, incluso si las tiendas que los listan utilizan nombres diferentes. Los investigadores luego probaron si esta jerarquía única podía potenciar dos tareas muy diferentes: decidir qué productos mostrar a un cliente en una página de navegación y sugerir mejores términos de búsqueda cuando un cliente escribe una consulta.
Los investigadores aplicaron primero esta jerarquía al problema de clasificar productos en páginas de descubrimiento, donde los usuarios navegan a través de carruseles de artículos como "Parrillada de Verano" o "Belleza". En el pasado, el sistema tenía dificultades para aprender las preferencias de un cliente porque trataba cada listado de cada tienda como una entidad separada. Si un usuario compraba un tipo específico de café en una tienda, el sistema no sabía automáticamente que podría gustarle el mismo café en una tienda diferente. Al utilizar los nuevos códigos jerárquicos, el sistema pudo agrupar estos artículos similares y agregar el historial del cliente a través de todos ellos. Esto permitió que el algoritmo de clasificación reconociera una preferencia por un concepto de producto en lugar de solo un listado de una sola tienda. Cuando probaron esto en el mundo real, el sistema se volvió significamente mejor en predecir qué querría un cliente añadir a su carrito. Los resultados mostraron un aumento notable en la interacción, con clientes añadiendo más artículos a sus carritos, particularmente en las posiciones superiores de las listas de navegación. Quizás más importante aún, el sistema comenzó a mostrar una mayor variedad de productos, dando a los artículos menos populares una oportunidad justa de ser vistos en lugar de simplemente repetir los mismos productos más vendidos.
La misma estructura jerárquica se utilizó para mejorar la experiencia de búsqueda, específicamente las sugerencias que aparecen cuando un usuario escribe una consulta. Tradicionalmente, los sistemas de búsqueda sugieren nuevos términos buscando qué escribió la gente después en su historial de búsqueda. Este enfoque a menudo falla porque se confunde con errores ortográficos, abreviaturas o el hecho de que las mismas palabras pueden significar cosas diferentes en distintos contextos. El nuevo sistema, en cambio, traduce la búsqueda del usuario a los conceptos de productos definidos por los códigos jerárquicos. Luego busca transiciones entre estos conceptos en lugar de entre palabras puras. Por ejemplo, si un usuario busca "leche", el sistema entiende esto como un concepto de producto y puede sugerir moverse lateralmente hacia "cereal" o refinar la búsqueda a "leche entera", dependiendo de lo que el usuario haya hecho clic en el pasado. Este método resultó ser más preciso que los enfoques anteriores. En las pruebas, el nuevo sistema generó sugerencias que eran más distintas y útiles, ayudando a los usuarios a encontrar lo que buscaban más rápido. Al implementarse ante usuarios reales, el sistema redujo el número de desplazamientos (scrolls) y clics necesarios para encontrar un producto, lo que significa que los compradores alcanzaron sus artículos deseados con menos esfuerzo.
El estudio demuestra que una jerarquía aprendida de códigos de productos puede servir como una base poderosa tanto para recomendar artículos como para refinar las consultas de búsqueda. Al alejarse de las categorías rígidas creadas por humanos y, en su lugar, utilizar una estructura que la computadora aprendió directamente de los datos, los investigadores crearon un sistema que es tanto flexible como preciso. Los hallazgos sugieren que cuando las computadoras comprenden las relaciones entre productos en múltiples niveles de detalle, pueden servir mejor a las necesidades específicas de los compradores individuales. Los resultados no fueron solo teóricos; fueron medidos en experimentos del mundo real donde el nuevo sistema superó consistentemente a los métodos antiguos, lo que condujo a clientes más satisfechos y a un mercado más eficiente. Este trabajo destaca cómo un entendimiento compartido de la estructura de los productos puede cerrar la brecha entre la realidad caótica de millones de listados diferentes y la experiencia personalizada que cada comprador espera.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.