Искусственный интеллект Amazon разберется, почему пользователи совершают неожиданные покупки

Вдобавок, они чаще покупают или добавляют в корзину нерелевантные запросам товары из одних категорий — например, игрушки или цифровые товары — и реже из других: косметику, парфюмерию или продукты питания, пишет Venture Beat, передает hightech.plus   

Исследователи заметили, что пользователи, которые вводят слишком короткие или, наоборот, слишком длинные поисковые запросы, более гибко принимают решение относительно выбора товара, чем те, кто точно знает, чего хочет и вводит запросы средней длины.

Другими словами, их проще заинтересовать в приобретении товаров, которые они вроде бы и не искали.

Такой вывод исследователи сделали, проследив связь между релевантными и нерелевантными поисковым запросам продуктам — по типу, бренду, категории или истории покупок.

Ученые провели два эксперимента по оценке значимости нерелевантных продуктов, выпадающих в поисковых результатах Amazon. В первом они подобрали 1500 запросов, каждый из которых выдавал один релевантный и один нерелевантный результат. А затем изучили эффективность различных стратегий поведения покупателя.

Затем они использовали те же 1500 запросов, чтобы подготовить три модели машинного обучения: одну учили максимально увеличивать релевантность, вторую — вероятность покупки товара, третью — степень вовлеченности клиента. После этого при помощи моделей синтеза, исследователи объединили подходы и сравнили их производительность. Оказалось, что между релевантностью и покупкой/вовлеченностью существует четкая взаимосвязь.

Это грубая модель, пишут авторы статьи, и для достижения лучших результатов нужна более сложная модель машинного обучения, особенно если тренировать ее принимать во внимание такие факторы, как цена товара, длина запроса и связь между товарами. Однако она указывает на возможность создания новых, усовершенствованных поисковых алгоритмов.