«Современные рекомендательные системы часто приводят пользователей в ловушку однообразия: алгоритмы показывают им предложения, максимально похожие на то, что они уже видели или купили, создавая замкнутый круг. Классические рекомендательные технологии не могут предугадать меняющиеся интересы пользователей и создают «информационный пузырь» — ограничивают их представление о том, какие товары и услуги есть на платформе. При этом именно знакомство с новыми категориями делает использование сервиса интереснее и полезнее.
Проблема в том, что традиционные рекомендательные системы опираются на уже известные им прошлые действия пользователя. Алгоритмы предполагают, что человеку понравится контент, который похож на то, что он смотрел или покупал раньше — это самый простой и очевидный подход. Наши исследования доказывают: разнообразные рекомендации значительно улучшают ключевые метрики платформы. Пользователи чаще просматривают объявления в незнакомых категориях, чаще совершают покупки и активнее пользуются платформой.
Понять, что пользователь уже купил товар и второй такой ему не нужен — непростая задача. Носки можно покупать каждый месяц, а автомобиль — раз в несколько лет. Некоторым товарам нужны похожие рекомендации (например, после покупки одной книги предложить другие книги того же автора), а для других товаров это не имеет смысла (после покупки холодильника не нужно предлагать еще один).
Для наших рекомендаций мы используем модели машинного обучения на основе архитектуры трансформеров — по принципу работы они похожи на современные большие языковые модели. Эти алгоритмы отслеживают, как меняется поведение пользователя на платформе и определяют момент, когда его интерес к одной категории угасает, автоматически переключая фокус на новые незнакомые направления.
Замыкание пользователя в «пузыре фильтров» на основе его прошлых действий — серьезная проблема, которая снижает вовлеченность и время, проведенное на платформе. Однако решение существует, в машинном обучении этот подход называется «баланс между исследованием и эксплуатацией» (exploration vs. exploitation). Это как выбор между походом в новый ресторан (где может быть вкусно, но есть риск разочароваться) и любимым заведением (где точно понравится). В первом случае (исследование) мы расширяем круг рекомендаций и предлагаем то, что выходит за рамки привычных интересов — новые категории, неожиданные товары или тренды, которые могли бы понравиться пользователю. Во втором — показываем то, что он купит прямо сейчас с максимальной вероятностью.
Важно найти баланс между этими подходами. Для этого мы разработали систему, которая подстраивается под каждого пользователя и общие цели платформы. Например, мы можем выделить часть рекомендаций специально для показа новых категорий и необычных предложений — доля таких «открывающих новое» рекомендаций может варьироваться в зависимости от пользователя. Этот параметр настраивается индивидуально: его можно увеличивать для тех, кто любит изучать разные категории, и уменьшать для тех, кто предпочитает знакомый контент.
Мы отслеживаем не только конверсию в моменте, но и показатели, которые влияют на постоянное долгосрочное использование платформы. Это прежде всего кросс-категорийность — количество разных категорий, с которыми взаимодействует пользователь. Когда пользователь за неделю исследует три разные категории вместо привычной одной, это значительно повышает его вовлеченность и ценность платформы для него. Также важны показатели «открытия нового» — когда пользователь впервые взаимодействует с категорией. Эти метрики показывают, что люди узнают больше о разнообразии товаров и услуг. Для полноты картины мы регулярно проводим опросы среди пользователей, измеряем индекс потребительской лояльности (NPS) и внимательно изучаем отзывы. Такой многосторонний анализ помогает выявлять возможности для улучшений рекомендаций.
В будущем мы видим два основных пути развития рекомендательных систем. Первый путь — улучшение текущего формата рекомендаций, когда пользователь на отдельной странице видит подборку подходящих товаров. Здесь мы работаем над тем, чтобы алгоритмы точнее понимали потребности людей и показывали действительно нужные предложения в нужный момент.
Второй путь полностью меняет способ взаимодействия пользователя с рекомендациями — от пассивного просмотра предложенных товаров к активному диалогу. Вместо скроллинга списка товаров пользователь будет общаться с умным помощником, рассказывая о своих нуждах простыми словами. Такой помощник, работающий на базе большой языковой модели (LLM), подберет именно то, что нужно. Это похоже на поход в обычный магазин, когда вы объясняете продавцу: «Мне нужен телефон для родителей с большими кнопками и долгим сроком работы батареи», — и получаете подходящие предложения. Мы ожидаем тот же опыт, но в виде цифрового помощника, который знает весь каталог на площадке, имеет доступ к внешней информации и может предлагать оптимальные варианты. Это направление сейчас рассматривается как следующий большой шаг в развитии рекомендательных систем».
