One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
Cet article démontre qu'une représentation unique d'ID sémantique hiérarchique apprise peut unifier efficacement les tâches de découverte et de recherche de produits en permettant un classement personnalisé amélioré grâce à l'agrégation des signaux comportementaux et une reformulation de requête plus efficace via une navigation ancrée sur les concepts, tout en préservant les contextes spécifiques à chaque tâche.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans les vastes marchés numériques où nous achetons des produits d'épicerie, des vêtements et des articles ménagers, un seul produit revêt souvent de nombreux visages différents. Une marque spécifique de lait peut être répertoriée par un magasin sous un certain nom et par un autre sous un code complètement différent, même si la bouteille sur l'étagère est identique. Cette fragmentation rend difficile pour les ordinateurs de comprendre qu'un client qui achète une version d'un produit est probablement intéressé par l'autre. Pour résoudre cela, les chercheurs tentent depuis longtemps d'organiser les produits en catégories, tout comme une bibliothèque utilise un système de classement. Cependant, ces catégories créées par l'homme sont souvent trop larges pour capturer les subtiles différences entre les articles, tandis que les données brutes de chaque magasin sont trop désordonnées pour relier les points. Le défi consiste à trouver un moyen d'apprendre à un ordinateur à voir les relations entre les produits sans perdre les détails spécifiques qui comptent pour un acheteur.
Une équipe de chercheurs chez DoorDash s'est donné pour mission de résoudre ce problème en créant une nouvelle façon de représenter les produits, une méthode qui agit comme un langage partagé tant pour recommander des articles que pour aider les gens à effectuer des recherches. Ils ont développé un système qui convertit les informations sur les produits en un code court et unique, semblable à une empreinte digitale numérique. En analysant ces codes, ils ont découvert qu'ils formaient naturellement une hiérarchie, comme un ensemble de boîtes imbriquées. Les couches extérieures du code regroupent les produits en catégories larges, tandis que les couches intérieures approfondissent les détails de manière de plus en plus spécifique. Cette structure a permis au système de comprendre que deux produits sont liés parce qu'ils partagent le début de leurs codes, même si les magasins qui les répertorient utilisent des noms différents. Les chercheurs ont ensuite testé si cette hiérarchie unique pouvait alimenter deux tâches très différentes : décider quels produits montrer à un client sur une page de navigation, et suggérer de meilleurs termes de recherche lorsqu'un client tape une requête.
Les chercheurs ont d'abord appliqué cette hiérarchie au problème du classement des produits sur les pages de découverte, où les utilisateurs parcourent des carrousels d'articles tels que « Grillades d'été » ou « Beauté ». Par le passé, le système peinait à apprendre les préférences d'un client car il traitait la liste de chaque magasin comme une entité distincte. Si un utilisateur achetait un type spécifique de café dans un magasin, le système ne savait pas automatiquement qu'il pourrait aimer ce même café dans un autre magasin. En utilisant les nouveaux codes hiérarchiques, le système pouvait regrouper ces articles similaires et agréger l'historique du client à travers tous ceux-ci. Cela permettait à l'algorithme de classement de reconnaître une préférence pour un concept de produit plutôt que pour une simple liste d'un magasin particulier. Lorsqu'ils ont testé cela en conditions réelles, le système est devenu nettement meilleur pour prédire ce qu'un client voudrait ajouter à son panier. Les résultats ont montré une augmentation notable de l'engagement, les clients ajoutant plus d'articles à leurs paniers, particulièrement dans les premières positions des listes de navigation. Plus important encore, le système a commencé à présenter une plus grande variété de produits, donnant aux articles moins populaires une chance équitable d'être vus plutôt que de simplement répéter les mêmes meilleures ventes.
La même structure hiérarchique a ensuite été utilisée pour améliorer l'expérience de recherche, spécifiquement les suggestions qui apparaissent lorsqu'un utilisateur tape une requête. Traditionnellement, les systèmes de recherche suggèrent de nouveaux termes en regardant ce que les gens ont tapé ensuite dans leur historique de recherche. Cette approche échoue souvent car elle est déroutée par les fautes d'orthographe, les abréviations, ou le fait que les mêmes mots peuvent signifier des choses différentes selon les contextes. Le nouveau système traduit plutôt la recherche de l'utilisateur en concepts de produits définis par les codes hiérarchiques. Il cherche ensuite des transitions entre ces concepts plutôt qu'entre les mots bruts. Par exemple, si un utilisateur recherche « lait », le système comprend qu'il s'agit d'un concept de produit et peut suggérer de passer latéralement à « céréales » ou d'affiner la recherche vers « lait entier », selon ce sur quoi l'utilisateur a réellement cliqué par le passé. Cette méthode s'est avérée plus précise que les approches précédentes. Lors des tests, le nouveau système a généré des suggestions plus distinctes et utiles, aidant les utilisateurs à trouver ce qu'ils cherchaient plus rapidement. Lorsqu'il a été déployé auprès de vrais utilisateurs, le système a réduit le nombre de défilements et de clics nécessaires pour trouver un produit, ce qui signifie que les acheteurs atteignaient leurs articles souhaités avec moins d'effort.
L'étude démontre qu'une hiérarchie apprise de codes de produits peut servir de fondation puissante tant pour la recommandation d'articles que pour l'affinement des requêtes de recherche. En s'éloignant des catégories rigides créées par l'homme et en utilisant plutôt une structure que l'ordinateur a apprise directement à partir des données, les chercheurs ont créé un système qui est à la fois flexible et précis. Les conclusions suggèrent que lorsque les ordinateurs comprennent les relations entre les produits à plusieurs niveaux de détail, ils peuvent mieux servir les besoins spécifiques de chaque acheteur. Les résultats n'étaient pas seulement théoriques ; ils ont été mesurés lors d'expériences en conditions réelles où le nouveau système a systématiquement surpassé les anciennes méthodes, menant à des clients plus satisfaits et à un marché plus efficace. Ce travail souligne comment une compréhension partagée de la structure des produits peut combler le fossé entre la réalité chaotique de millions de listes différentes et l'expérience personnalisée que chaque acheteur attend.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.