Deep Dive: Die Tools hinter der Suche von Uzum Market
Uzum Market
Das Suchteam von Uzum Market gibt Einblicke in seine Retrieval- und Ranking-Infrastruktur, einschließlich eines benutzerdefinierten Korrekturprogramms, personalisierter Vorschläge und Synonymverwaltung. Sie zeigen, wie sie die Tippfehlerkorrektur mit kontextuellen Merkmalen verbessert und Änderungen per A/B-Test getestet haben, um die Konversion zu steigern.
Das Team von Uzum Market unter der Leitung von Dmitry Shipilov erläuterte die Komponenten, die ihre Suchmaschine unterstützen. Sie migrierten die Inferenz vom ElasticSearch Learning to Rank (LTR)-Plugin zu einem dedizierten Ranking-Dienst, der Open Neural Network Exchange (ONNX)-Modelle akzeptiert, was mehr Flexibilität ermöglicht. Ein Rechtschreibdienst korrigiert Tippfehler in Suchanfragen, aber anfängliche reine Textmerkmale führten zu Ungenauigkeiten, zum Beispiel wurde 'стуль' zu 'сталь' korrigiert, statt zu 'стул'. Sie trainierten einen Gradient Boosting Ranker auf annotierten Daten mit zusätzlichen Merkmalen wie Suchanfragenhäufigkeit und Konversion, wodurch fehlerhafte Korrekturen um 50 Prozent reduziert und korrekte Korrekturen um 8 Prozent erhöht wurden. Außerdem implementierten sie personalisierte Vorschläge mittels Gradient Boosting mit Merkmalen wie Geschlecht und Ausgabeverhalten, was die Engagement-Kennzahlen verbesserte. Bei Synonymen sahen sie sich Problemen mit einer unkontrollierten Synonymbasis gegenüber, die zu einer Explosion der Suchanfragen führte, und sie arbeiten daran, ungenutzte und schädliche Synonyme zu bereinigen.
Quelle: Habr — хаб ML —
Original