Verwendung von Deep Learning und angepassten Solr-Komponenten zur Verbesserung der Suchrelevanz bei Target
Als einer der größten Einzelhändler der Welt kann sich Target keine langsamen oder ungenauen Suchergebnisse leisten. Wie kann Target beim Hinzufügen von Produkten (und deren Daten) gleichzeitig Geschwindigkeit und Genauigkeit beibehalten und verbessern? Das Unternehmen verwendet eine Kombination aus Deep Learning-Modellen und benutzerdefinierten Solr-Komponenten, um hochpräzise Suchergebnisse in großem Maßstab zu liefern – und zwar schnell: Stellen Sie sich zwei Millionen Produkt-SKUs mit einer Rücklaufrate von 250 ms vor.
Die Technologie
Starke Modelle für maschinelles Lernen sind der Schlüssel zu skalierbarer Leistung. Target hat Modelle für Produkttitel, Kategorie, Typ und Beschreibung erstellt – zufällig die wichtigsten Suchattribute, die Sie bei der Abfrage von Solr benötigen.
Neuronale Netzwerke verwenden Modelle, um verschiedene Suchintentionen und Attribute zu identifizieren.
Es ist eine Herausforderung für Anwendungen, genau und vollständig zu verstehen, was die Nutzer wollen. Was bedeutet z.B. „c9 Laufschuhe für Jungen“? Dies ist ein Klassifizierungsproblem: C9 Champion ist die Marke, männlich ist das Geschlecht. Einzelhändler können ein Klassifizierungssystem entwickeln, das für jedes Produktattribut ein genaues Modell zur Klassifizierung jeder Abfrage erstellt.
Um die Abfrage zu klassifizieren, Target:
- Sammelt eine Fülle von Trainingsdaten aus Suchanfragen und dem Verhalten der Benutzer sowie aus Produktattributen
- Trainiert maschinell erlernte Modelle für jedes Attribut mit vorbereiteten Listen von Abfrage/Attributwertepaaren, zum Beispiel: Schuhe/Sportschuhe, Schuhe/Sneakers
- Gibt eine Liste von Attributwerten aus, von denen man annimmt, dass sie mit der ursprünglichen Anfrage in Verbindung stehen, mit Wahrscheinlichkeiten für jeden Wert
Bewertung
Nach einem ausgeklügelten Training des neuronalen Modells kam Target zu diesen Bewertungsmetriken:
- Präzision: die Anzahl der richtig vorhergesagten Attributwerte geteilt durch die Gesamtzahl der Vorhersagen für eine Testabfrage des Klassifikators. Je höher die Präzision, desto genauer sind die Vorhersagen.
- Recall: die Anzahl der richtig vorhergesagten Attributwerte geteilt durch die Gesamtzahl der Attributwerte, die für diese Abfrage im Testsatz vorhanden sind. Je höher die Trefferquote, desto größer ist die Abdeckung dieser Attributwerte in der Testmenge.
- Top-N Genauigkeit: Wenn für eine Anfrage eine der Top-N-Vorhersagen relevant ist, erhält sie eine 1, andernfalls eine 0.
Target kontrolliert Erinnerung und Präzision durch eine Kombination aus:
- Kategorie/Attribut-Klassifizierung, um Elemente innerhalb eines Sets in Beziehung zu setzen,
- Filtern nach Spezifität innerhalb einer Gruppe
- Maßgeschneiderte Aufzüge, um die beliebtesten Artikel zu bewerben, und
- Präzisionskomponenten zum Herausfiltern von Produkt-SKUs basierend auf einem Schwellenwert.
Die Beziehung zwischen Präzision und Recall ist umgekehrt: Eine höhere Genauigkeit bedeutet eine geringere Rückrufquote. Einzelhändler können also das ideale Gleichgewicht zwischen beiden bestimmen, ebenso wie die ideale Genauigkeit, gemessen am Anteil der Fälle, in denen mindestens ein richtiger Attributwert unter den ersten fünf Vorhersagen ist.
Für Target können Klassifikatoren eine Präzision und Wiedererkennung von über 90 Prozent und eine Genauigkeit der Top-5-Vorhersagen von über 96 Prozent erreichen. Mit der richtigen Klassifizierungspipeline kann ein neues Modell für jedes Attribut innerhalb von 18 Stunden automatisch erstellt werden. Das Retraining erfolgt täglich.
Durch den Einsatz modernster neuronaler Netzwerktechniken in Verbindung mit maßgeschneiderten Solr-Komponenten konnte Target seine Suchrelevanz um mehr als 20 Prozent verbessern – und damit den Umsatz steigern und den Zeit- und Kostenaufwand für die Benutzer senken.