Avito заменил CatBoost нейросетями в ранжировании рекомендаций на главной
Команда рекомендаций Avito перешла от градиентного бустинга к нейросетевому ранжированию, преодолев отрицательные A/B‑тесты и добившись значительного роста качества.
В статье на Habr AI DS‑Tech Lead Авито — Ярослав Хныков рассказывает о масштабном переходе системы рекомендаций на главной странице Avito от модели CatBoost к нейросетевому ранжированию. Команда начала с анализа текущего пайплайна: использовались более 200 признаков, включая пользовательскую историю, контекст поиска и метаданные объявлений. При попытке сразу заменить CatBoost на простую нейросеть первые A/B‑тесты показали падение CTR на 1,2 %, что заставило инженеров вернуться к гиперпараметрам и добавить новые фичи, такие как эмбеддинги объявлений и контекстные векторные представления запросов.
После нескольких итераций, включающих предобучение эмбеддингов на публичных датасетах и обучение модели в режиме pairwise‑ranking, команда запустила стабилизированный вариант. Результаты: рост NDCG@10 на 8,5 % и увеличение конверсии на 4,3 % по сравнению с CatBoost. Авторы отмечают, что ключевыми факторами успеха стали: • более гибкая архитектура модели, позволяющая учитывать нелинейные взаимодействия; • использование онлайн‑обучения с частичным обновлением весов; • тщательная калибровка потерь с учётом бизнес‑метрик.
Статья содержит ссылки на открытый репозиторий с примерами кода и подробный разбор ошибок первых тестов. Для ML‑инженеров и тимлидов, работающих с рекомендационными системами, материал представляет ценный практический опыт перехода от традиционных методов к нейросетям.
Источник: https://habr.com/ru/companies/avito/articles/1090584/
Переход от CatBoost к нейросетям в Avito показывает, что даже при отрицательных первых тестах стоит инвестировать в более гибкие модели и эмбеддинги. Для разработчиков рекомендаций это значит, что стоит экспериментировать с pairwise‑подходами и онлайн‑обучением, чтобы достичь реального прироста KPI.
