Глубокая обучающаяся система с переключением для персонализированных и адаптивных рекомендаций в электронной торговле

Почему разумные онлайн‑подсказки важны

Каждый раз, когда вы делаете покупки в интернете, за кулисами алгоритм пытается угадать, что вы захотите увидеть дальше. Однако люди пользуются торговыми сайтами очень по‑разному: кто‑то только пришёл, кто‑то листает вразнобой, а кто‑то — постоянный активный пользователь. В этой статье предлагается новая рамочная модель рекомендаций, которая в реальном времени адаптируется к таким различиям, стремясь сделать предложения товаров более точными, справедливыми и полезными для всех — от первых посетителей до заядлых покупателей.

Три типа покупателей, а не один

Авторы начинают с аргумента, что одинаковое обращение ко всем пользователям ведёт к слабым рекомендациям. Они делят покупателей на три широкие группы в зависимости от уровня их взаимодействия с сайтом. «Новички» практически не имеют истории — возможно, лишь несколько поисковых запросов или кликов. «Лёгкие пользователи» совершили несколько визитов или покупок. «Активные пользователи» оставляют длинный след просмотров, кликов, добавлений в корзину, оценок и заказов. Каждая группа генерирует разные типы и объёмы данных, поэтому универсальному алгоритму сложно обслуживать их одинаково хорошо.

Помощь новым посетителям с помощью изображений и описаний

Для совершенно новых пользователей привычный приём — опираться на прошлое поведение — просто не работает, потому что такой истории нет. Предлагаемая система решает проблему «холодного старта», опираясь на сами товары. Она использует нейронную сеть, которая учится по изображениям товаров и их текстовым характеристикам: названию, бренду, категории и цене. Эти разные сведения объединяются в единое числовое представление, так что товары с похожим внешним видом и описаниями оказываются рядом в этом абстрактном пространстве. Когда новый посетитель вводит простой запрос или кликает несколько позиций, система отображает эти действия в то же пространство и возвращает соседние товары, по сути угадывая предпочтения по внешнему виду и тексту, а не по долгосрочным привычкам.

Обслуживание случайных покупателей с помощью облегчённого сопоставления

Лёгкие пользователи дают некоторые прямые подсказки — например, небольшое количество просмотров или прошлых покупок — но всё ещё недостаточно для очень сложных методов. Для этой группы рамочная модель применяет упрощённую «двухбашенную» архитетуру. Одна башня резюмирует, кто пользователь и что он сделал до сих пор; другая — суммирует характеристики товаров. Во время обучения система учится приближать представление пользователя к товарам, с которыми он взаимодействовал, и отталкивать от остальных. Такая конструкция позволяет очень быстро просканировать большие каталоги и отобрать короткий список перспективных позиций. Тесты показывают, что после обучения вероятность того, что правильный товар окажется в топ‑10 рекомендаций, примерно удваивается, а качество ранжирования существенно улучшается по сравнению с необученной версией.

Обслуживание активных пользователей множеством сигналов одновременно

Активные пользователи оставляют богатые следы: что они просматривают, что покупают, как оценивают позиции и прочее. Вместо того чтобы концентрироваться только на одном поведении, авторы строят многозадачную модель, которая учится решать несколько целей одновременно. Общий ядро представляет и пользователей, и товары; поверх него одна ветвь предсказывает оценки, а другая — какие товары пользователь, вероятно, выберет следующим. Совместное обучение этих задач позволяет обильным, но шумным сигналам, таким как просмотры товаров, усилить обучение для более редких, но информативных сигналов, например оценок. Эксперименты показывают, что модели, настроенные только на оценки или только на поиск, хорошо справляются с одиночной задачей, но плохо — с другой, тогда как совместная модель обеспечивает лучший общий баланс.

Включать нужный инструмент в нужный момент

Ключевая идея, связывающая эти части, — механизм переключения, который выбирает подходящую модель на основе текущего уровня вовлечённости каждого человека. По мере перехода пользователя от нового визитера к случайному покупателю и затем к частому клиенту система отслеживает изменения активности и автоматически направляет его данные через наиболее подходящий модуль. Для всех трёх групп такая адаптивная конструкция снижает ошибки предсказания, повышает долю попаданий и эффективнее использует множество слабых сигналов, которые собирают современные платформы. Проще говоря, это позволяет списку «Рекомендовано для вас» оставаться релевантным независимо от того, только вы пришли на сайт или делаете покупки там годами, не давая потребностям одной группы заглушать другие.

Цитирование: 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

Ключевые слова: рекомендации в электронной торговле, персонализированный шопинг, глубокое обучение, поведение пользователей, системы рекомендаций