Как это устроено?
✦ Сначала отдельная языковая модель считывает историю действий пользователя и сжимает её до набора интересов и сценариев (например, «забота о ребёнке и его безопасности»)
✦ Вторая модель по этим интересам раскладывает товары на человеческие семантические теги вместо сухих категорий
✦ Третья модель генерирует объяснения, почему конкретный товар попал в рекомендацию, чтобы витрина не выглядела чёрным ящиком и при необходимости можно было показать пользователю связное объяснение
✦ Между ними работает поисковик: на вход получает профиль интересов и теги, на выходе — список кандидатов для витрины.
До RecGPT рекомендации Taobao, как и у большинства крупных платформ, в основном опирались на паттерны «люди с похожим поведением покупали такие-то товары», что вело к эффекту Мэтью — популярные продавцы получали непропорционально большую долю показов, а товары менее популярных, но релевантных, терялись в выдаче. В новой схеме сначала выстраивается слой намерений и сценариев, затем для них подбираются товары, что помогает более равномерно распределять трафик между популярными и нишевыми позициями.