UniSRec: от академической модели к общим поведенческим векторам
Новый товар ещё не накопил взаимодействий, а разные команды заново обрабатывают одни и те же события пользователей. Карина Романова рассказывает об адаптации UniSRec: контент товаров, мультимодальность, отрицательные примеры и практические ограничения.
Видео · на русском
Как менялся UniSRec / Карина РомановаКарина Романова · Опубликовано: 23 октября 2025 г.
Исходный доклад · Открыть оригинал
Зачем нужны представления по содержанию товара
Модель только по ID плохо начинает работу с новым товаром. UniSRec использует представление его текста, поэтому описание даёт отправную точку до накопления поведенческой истории. Последовательность таких представлений помогает описать намерение пользователя.
Цель команды шире одной выдачи: одни поведенческие векторы могут быть полезны нескольким ML-системам. Это не означает, что все продуктовые задачи уже решены одной универсальной моделью.
02:00 — фрагмент докладаБолее сложная архитектура не гарантировала выигрыш
Команда пробовала усложнять смесь экспертов по мотивам новых архитектур. По рассказу спикера этот вариант уступил более простому. Важнее оказались собственный текстовый энкодер и работа с устойчивостью обучения.
Это существенная часть истории: адаптация статьи заняла около года и включала неудачные эксперименты. Нельзя представить итог как прямое внедрение готового академического решения.
Неудачные результаты исходной конфигурации.
Источник: Кадр из докладаКартинки дополнили текст
Текст не передаёт все визуальные различия товара. Для объединения изображений и описаний использовали в том числе простое усреднение нормализованных векторов. В экспериментах мультимодальные признаки заметно улучшили качество.
Другая полезная перемена — сложные отрицательные примеры. Отличить телефон от лопаты легко; различать похожие модели телефонов полезнее для обучения. Такие конкурирующие товары заранее находили по близости.
Сравнение текстовых и визуальных представлений.
Источник: Кадр из докладаПопулярность нельзя исправлять вслепую
Пробовали менять выборку по популярности, перевзвешивать редкие товары и использовать популярные объекты как отрицательные примеры. Некоторые вмешательства ухудшали результат. Борьба со смещением требовала проверки компромисса, а не максимального выравнивания любой ценой.
Итоговые слайды содержат несколько метрик и баз сравнения. Их не стоит превращать в одну цифру роста выручки: улучшение offline-точности и денежный эффект — разные утверждения.
Пример смещения в сторону популярных товаров.
Источник: Кадр из доклада