Один из распространенных методов построения рекомендательных систем заключается в моделировании товаров и пользователей при помощи эмбеддингов, привязанных к их ID. Несмотря на эффективность этого подхода во многих случаях, у него есть ряд недостатков:
1) редкие товары и пользователи с малым числом покупок скорее всего будут иметь бесполезный эмбеддинг;
2) при появлении нового товара (что часто происходит на маркетплейсах) отсутствие эмбеддинга требует переобучения системы;
3) инфраструктурно хранить и обучать большое число эмбеддингов довольно проблематично;
4) привязка эмбеддингов к ID не учитывает явно свойства и атрибуты товара, что приводит к потере полезного сигнала для рекомендаций.
В докладе я расскажу об опыте построения рекомендательной системы, которая решает данные проблемы: моделирование пользователя трансформером, а товара — его контентом.