01 — Historique des interactions
Les vues, ajouts au panier et achats décrivent les préférences passées.
Les vues, ajouts au panier et achats sont pondérés selon leur force et leur récence. Ils sont ensuite reliés aux attributs des produits afin de construire des affinités : catégories explorées, marques, gammes ou caractéristiques disponibles dans le catalogue.
Cette représentation facilite l’explication du score et permet une stratégie de repli lorsque l’historique est insuffisant. Elle distingue également une préférence répétée d’un événement isolé, sans utiliser d’identité ou de donnée individuelle dans la présentation publique.
02 — Apprentissage du classement
Le modèle apprend quels produits faire remonter.
Le modèle XGBoost d’apprentissage du classement combine les affinités du visiteur, le contexte de la recherche et les informations disponibles sur chaque produit pour produire un nouveau score.
Le moteur de recherche crée d’abord une liste de résultats pertinents pour la requête. Le modèle personnalisé réordonne seulement cette liste limitée. Cette séparation permet de désactiver la personnalisation à tout moment et de revenir immédiatement au classement standard.
03 — Protocole
Réserver la dernière interaction de chaque utilisateur.
Les affinités sont construites à partir de l’historique antérieur à la dernière interaction de chaque utilisateur. Le modèle classe ensuite ce produit positif parmi 20 négatifs échantillonnés, soit 21 candidats ; ce protocole ne mesure pas la recherche sur le catalogue complet. Trois mesures décrivent le résultat : le NDCG évalue l’ordre complet, le Hit Rate vérifie si le bon produit apparaît dans la liste et le Mean Reciprocal Rank (MRR) récompense une bonne position en tête de classement.
À K = 5, le rapport donne environ 0,52 / 0,61 / 0,27 pour le NDCG / Hit Rate / MRR, contre 0,05 / 0,21 / 0,09 pour la référence contextuelle. Les affinités utilisateur-produit amélioraient les trois mesures, tandis que les informations générales sur la session apportaient peu à elles seules. Les essais d’intégration ont aussi montré que certaines méthodes ralentissaient trop la réponse. La latence est donc devenue un critère de choix au même titre que la pertinence.
04 — Limite
La prochaine étape est un test A/B auprès de vrais visiteurs.
L’évaluation hors ligne vérifie si le modèle replace plus souvent les produits pertinents en tête de liste. Elle ne mesure pas encore son effet réel sur le comportement des visiteurs.
La suite consiste à définir les visiteurs éligibles, le classement affiché lorsque la personnalisation est indisponible, les règles de diversité et les métriques du test A/B : clics, ajouts au panier, conversions et temps de réponse.