One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
Este artigo demonstra que uma única representação de ID Semântico hierárquica e aprendida pode unificar efetivamente as tarefas de descoberta e busca de produtos ao permitir um ranqueamento personalizado aprimorado por meio de sinais comportamentais agregados e uma reformulação de consulta mais eficaz via navegação fundamentada em conceitos, tudo isso enquanto preserva contextos específicos de cada tarefa.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Nos vastos mercados digitais onde compramos mantimentos, roupas e artigos domésticos, um único produto muitas vezes assume muitas faces diferentes. Uma marca específica de leite pode ser listada por uma loja sob um nome e por outra loja sob um código completamente diferente, embora a garrafa na prateleira seja idêntica. Essa fragmentação torna difícil para os computadores entenderem que um cliente que compra uma versão de um produto provavelmente está interessado na outra. Para resolver isso, pesquisadores há muito tempo tentam organizar produtos em categorias, tal como uma biblioteca utiliza um sistema de arquivamento. No entanto, essas categorias criadas por humanos são frequentemente amplas demais para capturar as sutilezas entre os itens, enquanto os dados brutos de cada loja são muito desordenados para conectar os pontos. O desafio reside em encontrar uma maneira de ensinar um computador a enxergar as relações entre produtos sem perder os detalhes específicos que importam para um comprador.
Uma equipe de pesquisadores da DoorDash estabeleceu o objetivo de resolver este problema criando uma nova forma de representar produtos, uma que atue como uma linguagem compartilhada tanto para recomendar itens quanto para ajudar as pessoas a pesquisar por eles. Eles desenvolveram um sistema que converte a informação do produto em um código curto e único, semelhante a uma impressão digital digital. Ao analisarem esses códigos, descobriram que eles formavam naturalmente uma hierarquia, como um conjunto de caixas aninhadas. As camadas externas do código agrupam produtos em categorias amplas, enquanto as camadas internas aprofundam-se em detalhes cada vez mais específicos. Essa estrutura permitiu ao sistema entender que dois produtos estão relacionados porque compartilham o início de seus códigos, mesmo que as lojas que os listam utilizem nomes diferentes. Os pesquisadores então testaram se essa única hierarquia poderia impulsionar duas tarefas muito distintas: decidir quais produtos mostrar a um cliente em uma página de navegação e sugerir termos de busca melhores quando um cliente digita uma consulta.
Os pesquisadores aplicaram primeiro essa hierarquia ao problema de classificar produtos em páginas de descoberta, onde os usuários navegam por carrosséis de itens como "Churrasco de Verão" ou "Beleza". No passado, o sistema tinha dificuldade em aprender as preferências de um cliente porque tratava cada listagem de uma loja como uma entidade separada. Se um usuário comprasse um tipo específico de café em uma loja, o sistema não sabia automaticamente que ele poderia gostar do mesmo café em uma loja diferente. Ao utilizar esses novos códigos hierárquicos, o sistema pôde agrupar esses itens semelhantes e agregar o histórico do cliente através de todos eles. Isso permitiu que o algoritmo de classificação reconhecesse uma preferência por um conceito de produto em vez de apenas uma listagem de uma única loja. Quando testaram isso no mundo real, o sistema tornou-se significativamente melhor em prever o que um cliente desejaria adicionar ao seu carrinho. Os resultados mostraram um aumento perceptível no engajamento, com clientes adicionando mais itens aos seus carrinhos, particularmente nas posições superiores das listas de navegação. Talvez mais importante, o sistema começou a mostrar uma variedade maior de produtos, dando aos itens menos populares uma chance justa de serem vistos, em vez de apenas repetir os mesmos sucessos de vendas.
A mesma estrutura hierárquica foi então utilizada para melhorar a experiência de busca, especificamente as sugestões que aparecem quando um usuário digita uma consulta. Tradicionalmente, os sistemas de busca sugerem novos termos observando o que as pessoas digitaram em seguida em seu histórico de busca. Essa abordagem frequentemente falha porque se confunde com erros de ortografia, abreviações ou pelo fato de que as mesmas palavras podem significar coisas diferentes em contextos distintos. O novo sistema, em vez disso, traduz a busca do usuário nos conceitos de produtos definidos pelos códigos hierárquicos. Ele então procura transições entre esses conceitos, em vez de entre palavras brutas. Por exemplo, se um usuário pesquisa por "leite", o sistema entende isso como um conceito de produto e pode sugerir mover-se lateralmente para "cereal" ou refinar a busca para "leite integral", dependendo do que o usuário realmente clicou no passado. Este método provou ser mais preciso do que as abordagens anteriores. Nos testes, o novo sistema gerou sugestões que eram mais distintas e úteis, ajudando os usuários a encontrar o que procuravam mais rapidamente. Quando implementado em usuários reais, o sistema reduziu o número de rolagens e cliques necessários para encontrar um produto, o que significa que os compradores alcançaram seus itens desejados com menos esforço.
O estudo demonstra que uma única hierarquia aprendida de códigos de produtos pode servir como uma base poderosa tanto para recomendar itens quanto para refinar consultas de busca. Ao se afastarem de categorias rígidas criadas por humanos e, em vez disso, utilizarem uma estrutura que o computador aprendeu diretamente dos dados, os pesquisadores criaram um sistema que é simultaneamente flexível e preciso. As descobertas sugerem que, quando os computadores compreendem as relações entre produtos em múltiplos níveis de detalhe, eles podem atender melhor às necessidades específicas de cada comprador individual. Os resultados não foram apenas teóricos; eles foram medidos em experimentos do mundo real onde o novo sistema superou consistentemente os métodos antigos, levando a clientes mais satisfeitos e a um mercado mais eficiente. Este trabalho destaca como uma compreensão compartilhada da estrutura do produto pode preencher a lacuna entre a realidade caótica de milhões de listagens diferentes e a experiência personalizada que cada comprador espera.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.