Завершаю цикл статей о сессионной рекомендательной системе на данных Coveo. В предыдущих частях я разобрала постановку задачи, подготовку данных, граф товаров и обучение LightGBM. В последней — проверяю, даст ли больше кандидатов больше попаданий в первую двадцатку. Я увеличила квоты товаров, похожих по описаниям и изображениям: общий предел вырос с 300 до 370. Пересчитала признаки и переобучила ранжировщик. Целевые товары чаще попадали в кандидаты, но Hit@20 не улучшился. Показываю, где терялись целевые товары, что изменилось после расширения отбора и почему я сохранила исходный вариант. Код проекта и команды воспроизведения — в репозитории. Разобрать эксперимент
Читать далееAI-агенты
Больше кандидатов — без прироста Hit@20: разбор эксперимента


