Lamoda: новая ML-лента похожих товаров дала +1,5% к покупкам в A/B-тесте

В стоке Lamoda сотни тысяч товаров, и лента похожих товаров в приложении помогает быстро найти альтернативу просматриваемой вещи. Прежний алгоритм сочетал визуальный поиск по фотографиям и контентный поиск по атрибутам — бренду, цвету, цене, категории — с отдельными линейными моделями для разных категорий. По оценке команды, ему недоставало работы с изображениями и текстовыми описаниями, масштабируемости и персонализации: похожесть считалась одинаковой для всех пользователей. Компании также нужен был единый эмбеддинг товара для других задач. Интерфейс с тремя «баблами» пользователи использовали редко, обычно только первый.

Новая система состоит из двух генераторов кандидатов и персонализированного реранкера. Основной генератор обучен в парадигме metric learning на данных о заказах и сессиях за год: фото товара проходит через картиночный энкодер fashion-clip, описание — через текстовый энкодер rubert-tiny2, а эмбеддинги объединяются конкатенацией. Перед расчётом эмбеддинга детектор одежды вырезает нужный товар с фотографии. Визуальный генератор использует готовую модель FashionCLIP без дообучения. Пересечение кандидатов двух движков составило около 20% при 200 кандидатах на товар. Реранкер на CatBoost сортирует кандидатов под конкретного пользователя по товарным, пользовательским и парным признакам; таргет — добавление в корзину.

Систему построила команда рекомендательных систем Lamoda Tech. На Hadoop-кластере ежедневно считаются фичи и кандидаты, реранкер переобучается по расписанию в Airflow, кандидаты и фичи хранятся в Aerospike, модель — в S3. Онлайн-сервис ранжирования объединяет кандидатов из двух источников и передаёт выдачу в сервис рекомендаций приложения. В офлайн-оценке на исторических сессиях основная модель показала рост просмотров страниц на 13% и добавлений в корзину на 30%. После запуска A/B-теста всей связки компания получила статистически значимый прирост покупок на 1,5%; статья опубликована 30 июня 2026 года.