Framework uczenia głębokiego oparty na przełączaniu dla spersonalizowanych i adaptacyjnych rekomendacji w e‑commerce

Dlaczego mądrzejsze sugestie online mają znaczenie

Za każdym razem, gdy robisz zakupy online, w tle algorytm próbuje zgadnąć, co chciałbyś zobaczyć dalej. Tymczasem ludzie korzystają z serwisów zakupowych bardzo różnie: jedni właśnie trafili na stronę, inni przeglądają ją swobodnie, a jeszcze inni są stałymi, intensywnymi klientami. W niniejszym artykule przedstawiono nowe ramy rekomendacyjne, które w czasie rzeczywistym dostosowują się do tych różnic, dążąc do tego, by sugestie produktów były dokładniejsze, sprawiedliwsze i bardziej użyteczne dla wszystkich — od pierwszych odwiedzających po duże grupy kupujących.

Trzy rodzaje kupujących, nie jeden

Autorzy zaczynają od stwierdzenia, że traktowanie wszystkich użytkowników tak samo prowadzi do słabych rekomendacji. Dzielą kupujących na trzy szerokie grupy w oparciu o to, jak intensywnie wchodzą w interakcje z serwisem. „Nowi” niemal nie mają historii — może tylko kilku wyszukiwań lub kliknięć. „Użytkownicy okazjonalni” odwiedzili serwis lub dokonali kilku zakupów. „Użytkownicy intensywni” zostawili długą ścieżkę odsłon, kliknięć, dodawań do koszyka, ocen i zamówień. Każda grupa generuje różne rodzaje i ilości danych, więc uniwersalny algorytm ma trudności z obsłużeniem ich równie dobrze.

Pomoc nowym odwiedzającym za pomocą obrazów i opisów

Dla zupełnie nowych użytkowników zwykły trik — szukanie wzorców w ich zachowaniu — po prostu nie działa, ponieważ taka historia nie istnieje. Proponowany system rozwiązuje problem „zimnego startu” opierając się na samych produktach. Wykorzystuje sieć neuronową, która uczy się zarówno z obrazów produktów, jak i z ich opisów napisanych, takich jak tytuł, marka, kategoria czy cena. Te różne informacje są łączone w wspólną reprezentację numeryczną, dzięki czemu produkty o podobnym wyglądzie i opisie znajdują się blisko siebie w tej abstrakcyjnej przestrzeni. Gdy nowy odwiedzający wpisze proste zapytanie lub kliknie kilka pozycji, system odwzorowuje te akcje do tej samej przestrzeni i zwraca sąsiednie produkty, skutecznie odgadując gust na podstawie wyglądu i tekstu zamiast długoterminowych nawyków.

Obsługa kupujących okazjonalnych lekkim dopasowaniem

Użytkownicy okazjonalni dostarczają pewne bezpośrednie wskazówki — na przykład niewielką liczbę odsłon lub wcześniejszych zakupów — ale nadal nie wystarczają one dla bardzo złożonych metod. Dla tej grupy ramy wykorzystują uproszczony model „dwóch wież”. Jedna wieża podsumowuje, kim jest użytkownik i co do tej pory zrobił; druga podsumowuje cechy produktu. Podczas trenowania system uczy się przyciągać reprezentację użytkownika bliżej przedmiotów, z którymi wchodził w interakcje, i odpychać ją od innych. Taka konstrukcja pozwala bardzo szybko przeszukiwać duże katalogi, by wybrać krótką listę obiecujących produktów. Testy pokazują, że po treningu prawdopodobieństwo, że poprawny przedmiot pojawi się w pierwszej dziesiątce sugestii, mniej więcej się podwaja, a jakość rankingu znacznie poprawia się w porównaniu z wersją nietrenowaną.

Wzmacnianie doświadczeń użytkowników intensywnych wieloma sygnałami naraz

Użytkownicy intensywni zostawiają bogate ślady: co oglądają, co kupują, jak oceniają przedmioty i więcej. Zamiast skupiać się tylko na jednym z tych zachowań, autorzy budują model wielozadaniowy, który uczy się realizować kilka celów jednocześnie. Wspólne jądro reprezentuje zarówno użytkowników, jak i produkty; na jego bazie jedna gałąź przewiduje oceny, a inna przewiduje, które przedmioty użytkownik prawdopodobnie wybierze następne. Trenowanie obu zadań jednocześnie pozwala obfitym, choć szumowym sygnałom, takim jak odsłony produktów, wzmocnić naukę dla rzadkich, ale bardziej informacyjnych sygnałów, takich jak oceny. Doświadczenia pokazują, że modele dostrojone tylko pod kątem ocen lub tylko pod kątem wyszukiwania dobrze radzą sobie ze swoim pojedynczym celem, ale słabo z drugim, podczas gdy model łączony osiąga lepszą równowagę ogólną.

Włączanie właściwego narzędzia we właściwym momencie

Kluczową ideą łączącą te części jest mechanizm przełączania, który wybiera właściwy model w zależności od aktualnego poziomu zaangażowania każdej osoby. W miarę jak ktoś przechodzi od nowego odwiedzającego do kupującego okazjonalnego i dalej do częstego klienta, system śledzi zmiany aktywności i automatycznie kieruje jego dane przez najbardziej odpowiedni moduł. We wszystkich trzech grupach ten adaptacyjny projekt zmniejsza błędy predykcji, zwiększa wskaźniki trafień i lepiej wykorzystuje liczne słabe sygnały, które zbierają współczesne platformy. W praktyce oznacza to, że twoja lista „Polecane dla Ciebie” może pozostać trafna zarówno wtedy, gdy właśnie przybyłeś, jak i gdy kupujesz na stronie od lat, bez dominowania potrzeb jednej grupy nad innymi.

Cytowanie: 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

Słowa kluczowe: rekomendacje e‑commerce, spersonalizowane zakupy, uczenie głębokie, zachowanie użytkownika, systemy rekomendujące