One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
Dit artikel toont aan dat een enkele, geleerde hiërarchische Semantische ID-representatie effectief taken voor productontdekking en zoeken kan verenigen door verbeterde gepersonaliseerde rangschikking mogelijk te maken via geaggregeerde gedragssignalen en effectievere query-herformulering via concept-gegronde navigatie, terwijl taakspecifieke contexten behouden blijven.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de uitgestrekte digitale marktplaatsen waar we boodschappen, kleding en huishoudelijke artikelen kopen, draagt één product vaak vele verschillende gezichten. Een specifiek merk melk kan door de ene winkel onder één naam worden vermeld en door een andere winkel onder een totaal andere code, ook al is de fles in het schap identiek. Deze fragmentatie maakt het voor computers moeilijk om te begrijpen dat een klant die een versie van een product koopt, waarschijnlijk ook geïnteresseerd is in de andere. Om dit op te lossen, proberen onderzoekers al lang producten in categorieën te ordenen, net zoals een bibliotheek een archiefsysteem gebruikt. Deze door mensen gemaakte categorieën zijn echter vaak te breed om de subtiele verschillen tussen artikelen vast te leggen, terwijl de ruwe gegevens van elke winkel te chaotisch zijn om de verbanden te leggen. De uitdaging ligt in het vinden van een manier om een computer te leren de relaties tussen producten te zien zonder de specifieke details te verliezen die belangrijk zijn voor een shopper.
Een team van onderzoekers bij DoorDash zette zich scharpe tegen dit probleem door een nieuwe manier te ontwikkelen om producten te representeren, een manier die fungeert als een gedeelde taal voor zowel het aanbevelen van artikelen als het helpen van mensen bij het zoeken. Ze ontwikkelden een systeem dat productinformatie omzet in een korte, unieke code, vergelijkbaar met een digitale vingerafdruk. Wanneer ze deze codes analyseerden, ontdekten ze dat ze van nature een hiërarchie vormden, zoals een reeks geneste dozen. De buitenste lagen van de code groeperen producten in brede categorieën, terwijl de binnenste lagen steeds dieper ingaan op specifieke details. Deze structuur stelde het systeem in staat om te begrijpen dat twee producten aan elkaar gerelateerd zijn omdat ze het begin van hun codes delen, zelfs als de winkels die hen aanbieden verschillende namen gebruiken. De onderzoekers testten vervolgens of deze enkele hiërarchie twee zeer verschillende taken kon aandrijven: beslissen welke producten een klant te zien krijgt op een browsepagina, en het suggereren van betere zoektermen wanneer een klant een zoekopdracht typt.
De onderzoekers pasten deze hiërarchie eerst toe op het probleem van het rangschikken van producten op ontdekkingspagina's, waar gebruikers door carrousels van artikelen bladeren zoals "Zomerse BBQ" of "Schoonheid". In het verleden had het systeem moeite om de voorkeuren van een klant te leren omdat het elke vermelding van een winkel als een aparte entiteit behandelde. Als een gebruiker een specifiek type koffie bij één winkel kocht, wist het systeem niet automatisch dat ze wellicht dezelfde koffie bij een andere winkel zouden willen. Door gebruik te maken van de nieuwe hiërarchische codes, kon het systeem deze vergelijkbare artikelen bij elkaar groeperen en de geschiedenis van de klant over al deze vermeldingen heen aggregeren. Dit stelde het rangschikkingsalgoritme in staat om een voorkeur voor een productconcept te herkennen in plaats van slechts voor een enkele vermelding van een winkel. Wanneer ze dit in de echte wereld testten, werd het systeem aanzienlijk beter in het voorspellen wat een klant in zijn winkelmandje zou willen leggen. De resultaten toonden een merkbare toename in betrokkenheid, waarbij klanten meer artikelen aan hun winkelmandje toevoegden, met name in de bovenste posities van de browse-lijsten. Misschien nog belangrijker is dat het systeem een grotere variëteit aan producten begon te tonen, waardoor minder populaire artikelen een eerlijke kans kregen om gezien te worden in plaats van alleen maar de bekende bestsellers te herhalen.
Dezelfde hiërarchische structuur werd vervolgens gebruikt om de zoekervaring te verbeteren, specif kinderlijk gericht op de suggesties die verschijnen wanneer een gebruiker een zoekopdracht typt. Traditioneel suggereren zoeksystemen nieuwe termen door te kijken naar wat mensen daarna in hun zoekgeschiedenis hebben getypt. Deze aanpak faalt vaak omdat het systeem in de war raakt door spelfouten, afkortingen, of het feit dat dezelfde woorden in verschillende contexten iets anders kunnen betekenen. Het nieuwe systeem vertaalt de zoekopdracht van de gebruiker in plaats daarvan naar de productconcepten die in de hiërarchische codes zijn gedefinieerd. Het zoekt vervolgens naar overgangen tussen deze concepten in plaats van tussen ruwe woorden. Als een gebruiker bijvoorbeeld naar "melk" zoekt, begrijpt het systeem dit als een productconcept en kan het suggereren om zijdelings over te stappen naar "ontbijtgranen" of de zoekopdracht te verfijnen naar "volle melk", afhankelijk van wat de gebruiker in het verleden daadwerkelijk heeft aangeklikt. Deze methode bleek nauwkeuriger dan eerdere benaderingen. In tests genereerde het nieuwe systeem suggesties die duidelijker en nuttiger waren, waardoor gebruikers sneller vonden wat ze zochten. Bij de implementatie bij echte gebruikers verminderde het systeem het aantal scrolls en klikken dat nodig was om een product te vinden, wat betekende dat shoppers met minder inspanning hun gewenste artikelen bereikten.
De studie toont aan dat een enkele, geleerde hiërarchie van productcodes als een krachtige basis kan dienen voor zowel het aanbevelen van artikelen als het verfijnen van zoekopdrachten. Door af te stappen van rigide, door mensen gemaakte categorieën en in plaats daarvan een structuur te gebruiken die de computer rechtstreeks uit de data heeft geleerd, creëerden de onderzoekers een systeem dat zowel flexibel als precies is. De bevindingen suggereren dat wanneer computers de relaties tussen producten op meerdere niveaus van detail begrijpen, ze de specifieke behoeften van individuele shoppers beter kunnen dienen. De resultaten waren niet alleen theoretisch; ze werden gemeten in experimenten in de echte wereld waar het nieuwe systeem de oude methoden consequent overtrof, wat leidde tot meer tevreden klanten en een efficiëntere marktplaats. Dit werk benadrukt hoe een gedeeld begrip van de productstructuur de kloof kan overbruggen tussen de chaotische realiteit van miljoenen verschillende vermeldingen en de gepersonaliseerde ervaring die elke shopper verwacht.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.