ALS и матричная модель для cart recommendations
Как использовать уже существующую матричную модель или ALS в задаче рекомендаций к текущей корзине, не потеряв постановку item-to-cart?
Ответить самому
Сначала сформулируйте ответ как на собеседовании, затем откройте разбор и оцените себя.
Короткий ответ
ALS может дать item/user embeddings и candidates, но cart surface требует score от текущей корзины: aggregation item vectors, user context и фильтры complements/availability.
Полный разбор
ALS обычно учит user и item factors по implicit feedback. Для корзины есть два варианта использования. Первый - item-to-item: похожесть item embeddings помогает находить соседей товаров из корзины. Второй - персональный слой: user embedding добавляет предпочтения пользователя поверх текущего cart intent.
Граница постановки важна. Если просто показывать top items для пользователя, система может игнорировать текущую корзину. Для cart recommendations score должен учитывать товары в корзине: агрегировать их embeddings, взвешивать последние добавления, применять category complementarity и фильтровать already-in-cart.
ALS стоит сравнивать с co-occurrence baseline по offline labels и online uplift, отдельно контролируя latency, freshness и cold-start, где content/category fallback часто надежнее.
Теория
Matrix factorization дает latent similarity, но surface-specific objective определяет, как эти vectors превращаются в candidates и ranking.