Рекомендательные системы в e-commerce эффективно предсказывают, что пользователь купит, но со временем попадают в замкнутый круг: модель учится только на исторических данных, реже показывает новинки, и не замечает смены интересов. Эта проблема известна как дилемма exploration — exploitation. Exploitation (использование известного) даёт высокие краткосрочные метрики — CTR, CVR, GMV, — но ведёт к деградации опыта в долгосрочной перспективе. Exploration (исследование) добавляет незнакомые товары в выдачу, жертвуя мгновенной релевантностью ради будущего улучшения качества.
Яндекс Лавка столкнулась с этой проблемой при построении рекомендаций. Команда машинного обучения под руководством Рамиля Боярченкова разработала механизм персонализированного exploration. В отличие от простых эвристик вроде epsilon-greedy, где случайные товары показываются с фиксированной вероятностью всем, решение Яндекс Лавки учитывает предрасположенность конкретного пользователя к новинкам. Алгоритм оценивает, насколько пользователь открыт к экспериментам, и с разной вероятностью подмешивает незнакомые товары. Это позволяет снизить просадку краткосрочной конверсии и одновременно повысить метрику discovery — долю новых категорий и брендов, которые пользователь открыл за период.
| Техника | Описание | Применение |
|---|---|---|
| Семантические профили | LLM генерирует текстовое описание интересов пользователя по его истории, затем по нему ищутся похожие незнакомые объекты | Кросс‑категорийные рекомендации |
| Граф связей объектов | LLM обогащает граф объектов неочевидными семантическими рёбрами: «кто покупает X, тот, вероятно, заинтересуется Y» | Дополнение к коллаборативной фильтрации |
| Query Expansion (HyDE) | LLM генерирует различные информативные фичи, которые помогают ранжирующей модели предлагать холодные айтемы, например гипотетические запросы пользователя на основе его истории | Поисковые сценарии |
| Cold‑start‑аугментация | Эмбеддинги LLM используются как дополнительные признаки для холодных айтемов, у которых нет накопленного сигнала | Проблема cold‑start |
Калибровка «агрессивности» exploration — ключевая задача. Слишком активное исследование пугает пользователей и обрушивает продажи; слишком пассивное — не решает проблему замкнутого круга. Яндекс Лавка настраивала пороги вероятности на основе A/B-тестов, добиваясь баланса между краткосрочным GMV и долгосрочной лояльностью. Результаты показали, что персонализированный exploration увеличивает discovery без значительного ущерба для текущих покупок. Это особенно важно для платформ с широким каталогом, где пользователь может не знать о существовании подходящих товаров.
Яндекс Лавка внедрила механизм exploration — намеренное отклонение от оптимальных рекомендаций для сбора новых данных.
Подход Яндекс Лавки вписывается в общую практику борьбы с feedback loop в рекомендательных системах. Альтернативные методы включают reweighting обучающих семплов, обогащение признаков и постобработку ранжированного списка. Однако персонализация вероятности exploration — более гибкое решение, которое адаптируется под каждого пользователя. Для индустрии это демонстрирует, что отказ от uniform exploration в пользу контекстуального может улучшить как пользовательский опыт, так и бизнес-метрики.
