Learning to rank para busca : um estudo de caso em comércio eletrônico

Abstract

Resumo: Esta pesquisa apresenta técnicas de aprendizado de máquina (ML) para a ordenação de resultados de busca utilizadas em um comércio eletrônico. O intuito é melhorar a jornada do usuário após uso do sistema de busca da plataforma quando melhorada pelo algoritmo de ML proposto. O modelo LambdaMART está enquadrado na literatura das áreas de Recuperação de Informação e Learning to Rank. Para estimativa de relevância, utilizou-se as alternativas de taxa de clique na busca, taxa de adição no carrinho e taxa de conversão de pedido a partir de dados reais de usuários da plataforma. Os resultados obtidos mostram que o modelo LambdaMART forneceu resultados superiores a 95% nos experimentos comparado ao método atual do comércio eletrônico testado quando usado a métrica de avaliação Ganho Cumulativo Descontado Normalizado (NDCG).

Abstract: This research presents machine learning (ML) techniques for sorting search results used in e-commerce. The objective is to improve the user journey after using the platform's search system when improved by the proposed ML algorithm. The LambdaMART’s model is framed in the literature in the areas of Information Retrieval and Learning to Rank. To estimate relevance, we use search click-through rate, add to cart rate and order conversion rate as alternatives based on real data from users of the platform. The results obtained show that LambdaMART’s model presented results greater than 95% in experiments compared to the current e-commerce method tested when using the Normalized Discounted Cumulative Gain (NDCG) evaluation metric.