Item-to-item recommender для сочетаемой одежды
Как сделать рекомендации сочетаемой одежды: embeddings, ограничения по категориям, nearest neighbors и reranker?
Короткий ответ
Сначала строим мультимодальное пространство товаров, затем по категории выбираем допустимые complementary candidates, ищем nearest neighbors и реранжируем бизнес-правилами.
Полный разбор
Для такой задачи одного "похожего товара" мало: нужен complementary matching. Поэтому сначала фиксируются допустимые переходы между категориями, например верх -> низ или обувь -> аксессуары. Затем обучается или донастраивается модель embeddings, которая учитывает изображение, текстовые атрибуты, материалы, размеры и style labels.
Retrieval этап быстро достает кандидатов в нужной категории через vector search. Затем reranker учитывает дополнительные признаки: совместимость стиля, наличие товара, цену, бизнес-ограничения, разнообразие и персонализацию.
Разметка может приходить от стилистов, внешних fashion datasets и VLM-разметки. На интервью полезно проговорить offline metrics вроде Recall@K/nDCG по размеченным парам и online metrics вроде CTR/conversion/add-to-cart.
Теория
Item-to-item recsys часто строится как two-stage система: retrieval дает широкий набор кандидатов, reranker оптимизирует качество и бизнес-ограничения.
Типичные ошибки
- Искать просто похожие товары вместо сочетаемых.
- Не учитывать категорийные ограничения.
- Не разделять retrieval и reranking.
Как отвечать на собеседовании
- Назови source of labels: стилисты, датасеты, VLM.
- Объясни, почему нужен reranker после vector search.