מסגרת למידה עמוקה מבוססת-מתג להמלצות מסחר אלקטרוני מותאמות אישית ואדפטיביות

מדוע הצעות חכמות יותר חשובות

בכל פעם שאתם קונים באינטרנט, מאחורי הקלעים אלגוריתם מנחש מה ייתכן שתרצו לראות בהמשך. עם זאת, אנשים משתמשים באתרי קניות באופן שונה מאוד: חלקם זה עתה הגיעו, חלקם גולשים באופן שטחִי, ואחרים לקוחות נאמנים ותכופים. מאמר זה מציג מסגרת המלצה חדשה שמסתגלת להבדלים אלה בזמן אמת, במטרה להפוך את הצעות המוצרים למדויקות, הוגנות ושימושיות יותר עבור כולם — מהמבקרים הראשונים ועד לקונים הכבדים.

שלושה סוגי קונים, לא אחד

המחברים מתחילים בטענה שטיפול בכל המשתמשים באופן זהה מוביל להמלצות חלשות. הם מחלקים את הקונים לשלוש קבוצות רחבות על בסיס רמת האינטראקציה שלהם עם האתר. “חידונים” כמעט ולא יש להם היסטוריה, אולי רק כמה חיפושים או לחיצות. “משתמשים קלים” ביקרו או רכשו מספר מועט של פעמים. “משתמשים כבדים” מותירים עקבות ארוכים של צפיות, לחיצות, הוספות לעגלה, דירוגים והזמנות. כל קבוצה יוצרת סוג וכמות שונים של דאטה, ולכן אלגוריתם אחד לכל נתקע בלהעניק לכולם שירות שווה.

לעזור למבקרים חדשים עם תמונות ותיאורים

עבור משתמשים חדשים לגמרי, הטריק הרגיל — לחפש דפוסים בהתנהגות העבר שלהם — פשוט לא עובד כי אין היסטוריה כזו. המערכת המוצעת מתמודדת עם בעיית ה"התחלה הקרה" באמצעות הסתמכות על המוצרים עצמם. היא משתמשת ברשת נוירונית שלומדת גם מתוך תמונות המוצר וגם מתוך הפרטים הכתוביים שלהם, כמו כותרת, מותג, קטגוריה ומחיר. חלקי מידע שונים אלה מאוחדים לייצוג מספרי משותף, כך שמוצרים עם מראה ותיאור דומים מסודרים קרוב זה לזה במרחב האבסטרקטי הזה. כאשר מבקר חדש מקליד שאילתה פשוטה או לוחץ על מספר פריטים, המערכת ממפה את הפעולות לאותו מרחב ומחזירה מוצרים קרובים, בצורה של ניחוש טעם מתוך הופעה וטקסט במקום מתוך הרגלים ארוכי טווח.

לשרת קונים מזדמנים באמצעות התאמה קלה ומהירה

משתמשים קלים מספקים כמה רמזים ישירים — כגון מספר קטן של צפיות או רכישות קודמות — אך עדיין לא מספיק לשיטות מאוד מורכבות. עבור קבוצה זו, המסגרת משתמשת במודל "שני־מגדלים" מזורז. מגדל אחד מסכם מי המשתמש ומה הוא עשה עד כה; המגדל השני מסכם תכונות מוצר. במהלך האימון המערכת לומדת לקרב את הייצוג של המשתמש לפריטים שאיתם הוא אינטראקט ומרחק אליו מפריטים אחרים. עיצוב זה מאפשר סריקה מהירה מאוד של קטלוגים גדולים כדי לבחור רשימת מועמדים קצרה ומבטיחה. ניסויים מראים שלאחר אימון הסיכוי שהפריט הנכון יופיע בעשרת ההצעות העליונות משתפר בערך פי שניים, ואיכות הדירוג משתפרת באופן משמעותי בהשוואה לגרסה לא מאומנת.

להניע משתמשים כבדים עם הרבה אותות במקביל

משתמשים כבדים משאירים עקבות עשירים: מה הם צופים, מה הם קונים, כיצד הם מדרגים פריטים ועוד. במקום להתמקד בהתנהגות אחת בלבד, המחברים בונים מודל ריבו־משימתי שלומד לטפל במספר מטרות במקביל. ליבה משותפת מייצגת גם משתמשים וגם מוצרים; מעליה ענף אחד חוזה דירוגים בעוד ענף אחר חוזה אילו פריטים משתמש צפוי לבחור בהמשך. אימון שני המשימות יחד מאפשר לאותות רבים אך רועשים כמו צפיות לחזק את הלמידה לאותות נדירים אך אינפורמטיביים יותר כמו דירוגים. ניסויים מראים שמודלים המאומנים רק לדירוגים או רק למשימת אחזור מצליחים היטב במטרה היחידה שלהם אך כושלים בשנייה, בעוד שהמודל המשותף משיג איזון כולל טוב יותר.

להדליק את הכלי הנכון ברגע הנכון

הרעיון המרכזי הקושר בין החלקים הללו הוא מנגנון החלפה שבוחר את המודל המתאים על בסיס רמת המעורבות הנוכחית של כל אדם. ככל שמישהו מתפתח ממבקר חדש לקונה מזדמן ללקוח תדיר, המערכת עוקבת אחרי שינויים בפעילות ומנתבת אוטומטית את הנתונים שלו דרך המודול המתאים ביותר. בכל שלוש הקבוצות, העיצוב האדפטיבי הזה מקטין טעויות חיזוי, מגדיל שיעורי הצלחה ומשפר את ניצול האותות החלשים שרוב הפלטפורמות מודרניות אוספות. במונחים יומיומיים, זה אומר שרשימת "מומלץ עבורך" יכולה להישאר רלוונטית בין אם זה הרגע שהגעת ובין אם אתה קונה באתר במשך שנים, בלי שאחת הקבוצות תאפיל על צרכי האחרות.

ציטוט: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

מילות מפתח: המלצות מסחר אלקטרוני, קניות מותאמות אישית, למידה עמוקה, התנהגות משתמש, מערכות המלצה