Эволюция поиска вакансий в Авито Работе: новые ML‑модели и результаты АБ‑тестов
Авито Работа обновила ранжирование вакансий, внедрив градиентный бустинг, нейронные эмбеддинги и гибридный подход. АБ‑тесты показали рост CTR на 12 % и конверсии на 8 %.
В статье от старшего DS‑инженера Вадима Вахрушева (Avito) раскрыты детали трансформации поисковой выдачи вакансий в сервисе Авито Работа. До 2025 года ранжирование базировалось на простом TF‑IDF и правилах бизнес‑логики. В 2026 году команда внедрила три уровня ML‑моделей:
- Градиентный бустинг (LightGBM) – отвечает за первичную оценку релевантности на основе более 300 признаков (история кликов, профиль пользователя, параметры вакансии).\
- Нейронные эмбеддинги – обученные на паре «вакансия‑резюме» в рамках HuggingFace Transformers, позволяют учитывать семантическое сходство и контекстные нюансы.\
- Гибридный ранжировщик – небольшая нейронная сеть, которая комбинирует предсказания бустинга и эмбеддингов, оптимизируя метрику NDCG.
Для оценки эффективности проведено пять крупных АБ‑тестов (в сумме более 2 млн уникальных сессий). Ключевые результаты:
- CTR вырос на 12 % (с 5,8 % до 6,5 %).\
- Конверсия (отклик на вакансию) поднялась на 8 %.\
- Время отклика системы сократилось на 15 % благодаря кешированию эмбеддингов и асинхронному расчёту признаков.\
- Пользовательская удовлетворённость (NPS) увеличилась на 3 пункта.
Авито также поделилось практическими инсайтами: важность балансировки «новизны» и «релевантности», необходимость регулярного переобучения эмбеддингов (каждые 2 недели) и роль онлайн‑моделирования в борьбе с «cold‑start» проблемой новых вакансий.
Подробности и ссылки на открытый репозиторий с примерами кода доступны в оригинальной статье: https://habr.com/ru/companies/avito/articles/1064546/
Для ML‑инженеров и студентов это отличный пример, как комбинировать классические модели и нейронные эмбеддинги в продакшене. Обратите внимание на практику частого переобучения и A/B‑валидации – они позволяют быстро измерять бизнес‑эффект. При построении собственного ранжера не забывайте о latency‑оптимизации, иначе рост качества может обернуться ухудшением UX.
