Персоналізація ранжування пошуку в е-комерції
Пошуковий механізм без персоналізації показує однакові результати всім користувачам. ML-ранжування враховує історію переглядів, покупок, повернень та контекст сеансу — і переставляє результати індивідуально. Виграш: +8-15% до конверсії пошуку.
Learning-to-Rank архітектура
LambdaMART (LightGBM ranker) для персоналізованого пошуку. Навчається на неявній зворотній сполуці: клікання, покупки, час перегляду. Персоналізований пошук особливо ефективний для head запитів (топ-20% запитів дають 80% трафіку). Для tail запитів (рідкісні), семантичний пошук через векторний індекс важливіше за персоналізацію.
Типові виграші метрик: CTR +12%, Conversion Rate +8%, Revenue per Search +10% при правильному feature engineering.