One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
Questo articolo dimostra che una singola rappresentazione di ID Semantico gerarchica e appresa può unificare efficacemente i compiti di scoperta e ricerca dei prodotti, consentendo un miglioramento del ranking personalizzato attraverso segnali comportamentali aggregati e una riformulazione delle query più efficace tramite la navigazione basata su concetti, il tutto preservando i contesti specifici per ogni compito.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nei vasti mercati digitali dove acquistiamo generi alimentari, abbigliamento e articoli per la casa, un singolo prodotto assume spesso molteplici volti differenti. Una specifica marca di latte potrebbe essere elencata da un negozio con un nome e da un altro con un codice completamente diverso, anche se la bottiglia sullo scaffale è identica. Questa frammentazione rende difficile per i computer comprendere che un cliente che acquista una versione di un prodotto è probabilmente interessato all'altra. Per risolvere questo problema, i ricercatori hanno cercato a lungo di organizzare i prodotti in categorie, proprio come una biblioteca utilizza un sistema di classificazione. Tuttavia, queste categorie create dall'uomo sono spesso troppo ampie per catturare le sottili differenze tra gli articoli, mentre i dati grezzi di ogni negozio sono troppo disordinati per collegare i punti. La sfida consiste nel trovare un modo per insegnare a un computer a vedere le relazioni tra i prodotti senza perdere i dettagli specifici che contano per un acquirente.
Un team di ricercatori di DoorDash si è posto l'obiettivo di risolvere questo problema creando un nuovo modo di rappresentare i prodotti, uno che funga da linguaggio condiviso sia per raccomandare articoli che per aiutare le persone nella ricerca. Hanno sviluppato un sistema che converte le informazioni sul prodotto in un codice breve e unico, simile a un'impronta digitale digitale. Quando hanno analizzato questi codici, hanno scoperto che formavano naturalmente una gerarchia, come un insieme di scatole annidate. Gli strati esterni del codice raggruppano i prodotti in categorie ampie, mentre gli strati interni scendono in dettaglio verso dettagli sempre più specifici. Questa struttura ha permesso al sistema di capire che due prodotti sono correlati perché condividono l'inizio dei loro codici, anche se i negozi che li elencano utilizzano nomi diversi. I ricercatori hanno poi testato se questa singola gerarchia potesse alimentare due compiti molto diversi: decidere quali prodotti mostrare a un cliente su una pagina di navigazione e suggerire termini di ricerca migliori quando un cliente digita una query.
I ricercatori hanno applicato per prima cosa questa gerarchia al problema della classificazione dei prodotti nelle pagine di scoperta, dove gli utenti navigano attraverso caroselli di articoli come "Grigliata Estiva" o "Bellezza". In passato, il sistema faticava a imparare le preferenze di un cliente perché trattava ogni elenco di un negozio come un'entità separata. Se un utente acquistava un tipo specifico di caffè in un negozio, il sistema non sapeva automaticamente che l'utente potrebbe gradire lo stesso caffè in un negozio diverso. Utilizzando i nuovi codici gerarchici, il sistema poteva raggruppare questi articoli simili e aggregare la cronologia del cliente attraverso tutti di essi. Ciò ha permesso all'algoritmo di classificazione di riconoscere una preferenza per un concetto di prodotto piuttosto che per un singolo elenco di un negozio. Quando hanno testato questo nel mondo reale, il sistema è diventato significativamente più bravo a prevedere cosa un cliente avrebbe voluto aggiungere al proprio carrello. I risultati hanno mostrato un aumento evidente dell'engagement, con i clienti che aggiungevano più articoli ai propri carrelli, in particolare nelle posizioni superiori degli elenchi di navigazione. Forse ancora più importante, il sistema ha iniziato a mostrare una gamma più ampia di prodotti, dando agli articoli meno popolari una possibilità equa di essere visti invece di ripetere solo i soliti bestseller.
La stessa struttura gerarchica è stata poi utilizzata per migliorare l'esperienza di ricerca, specificamente i suggerimenti che appaiono quando un utente digita una query. Tradizionalmente, i sistemi di ricerca suggeriscono nuovi termini guardando cosa le persone hanno digitato successivamente nella loro cronologia di ricerca. Questo approccio spesso fallisce perché si confonde con errori di ortografia, abbreviazioni o con il fatto che le stesse parole possono avere significati diversi in contesti diversi. Il nuovo sistema traduce invece la ricerca dell'utente nei concetti di prodotto definiti dai codici gerarchici. Analizza poi le transizioni tra questi concetti piuttosto che tra le parole grezze. Ad esempio, se un utente cerca "latte", il sistema comprende questo come un concetto di prodotto e può suggerire di spostarsi lateralmente verso "cereali" o di affinare la ricerca verso "latte intero", a seconda di ciò che l'utente ha effettivamente cliccato in passato. Questo metodo si è dimostrato più preciso dei precedenti approcci. Nei test, il nuovo sistema ha generato suggerimenti più distinti e utili, aiutando gli utenti a trovare ciò che cercavano più velocemente. Quando è stato distribuito agli utenti reali, il sistema ha ridotto il numero di scorrimenti e clic necessari per trovare un prodotto, il che significa che gli acquirenti hanno raggiunto i loro articoli desiderati con meno sforzo.
Lo studio dimostra che una singola gerarchia appresa di codici prodotto può servire come base potente sia per raccomandare articoli che per perfezionare le query di ricerca. Passando da categorie rigide create dall'uomo a una struttura che il computer ha appreso direttamente dai dati, i ricercatori hanno creato un sistema che è allo stesso tempo flessibile e preciso. Le scoperte suggeriscono che quando i computer comprendono le relazioni tra i prodotti a molteplici livelli di dettaglio, possono servire meglio le esigenze specifiche dei singoli acquirenti. I risultati non sono stati solo teorici; sono stati misurati in esperimenti nel mondo reale dove il nuovo sistema ha costantemente superato i vecchi metodi, portando a clienti più soddisfatti e a un mercato più efficiente. Questo lavoro evidenzia come una comprensione condivisa della struttura dei prodotti possa colmare il divario tra la realtà caotica di milioni di elenchi differenti e l'esperienza personalizzata che ogni acquirente si aspetta.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.