Budúcnosť vyhľadávania je v hybridných modeloch

Keyword-based vyhľadávanie je základom väčšiny e-commerce vyhľadávačov. Funguje dobre pri exaktných dopytoch, ako sú produktové kódy a presné názvy, ale zlyháva pri prirodzenom jazyku. Pri dopytoch ako “niečo na suchú pleť” alebo “ľahká bunda do dažďa” keyword-based vyhľadávanie nenájde nič alebo vráti irelevantné výsledky.

Druhý problém je štrukturálny: vyhľadávač trénovaný čisto na behaviorálnych dátach uprednostňuje populárne produkty, nie nevyhnutne tie najrelevantnejšie pre konkrétny dopyt. Tento popularity bias má merateľný dopad na zákaznícku skúsenosť.

Naším cieľom bolo vytvoriť hybridný vyhľadávací systém, ktorý rozumie prirodzenému jazyku a zároveň vyváži relevanciu s obchodnými cieľmi.

Hybridný vyhľadávací systém

Hybridný vyhľadávací systém je kombináciou keyword-based vyhľadávania a vektorového vyhľadávania.

Postavili sme ho na dvojfázovej architektúre, ktorá kombinuje silné stránky oboch metód.

Fáza 1: Generátory kandidátov

V prvej fáze systém generuje kandidátov. To sú produkty, ktoré by mohli byť relevantné pre daný dopyt. Robí to dvoma paralelnými spôsobmi.

Lexikálny generátor je postavený na pôvodnom vyhľadávacom stacku a zabezpečuje presnosť pri exaktných dopytoch.

Sémantický generátor pracuje s embedding modelmi, ktoré reprezentujú text ako vektory v mnohorozmernom priestore. Vďaka tomu rozumie významu dopytov v prirodzenom jazyku, ako sú viacslovné frázy, otázky aj vágnejšie popisy. Ťažšie si však poradí s presnými názvami, kódmi alebo identifikátormi.

Práve preto kombinácia oboch zabezpečuje, že systém dokáže spracovať širokú škálu dopytov od presných produktových kódov až po vágne opisné frázy.

Fáza 2: Re-ranking

Kandidáti z oboch generátorov putujú do re-ranking fázy. Re-ranking model ich prehodnotí a zoradí na základe kombinácie signálov z oboch generátorov spolu s ďalšími dátami. Výsledkom je finálne poradie, ktoré vyvažuje relevanciu aj obchodné ciele.

Režimy hybridizácie

Podľa potrieb e-shopu vieme hybridizáciu nasadiť v troch režimoch.

• No Results Resolving: sémantické vyhľadávanie nastupuje vtedy, keď klasické vyhľadávanie nevráti žiadne výsledky.
• Komplement: sémantické výsledky dopĺňajú klasické vyhľadávanie a rozširujú pokrytie dopytov.
• Plná hybridizácia: plnohodnotný re-ranker kombinuje oba generátory a optimalizuje finálne poradie výsledkov.

Testovanie a výber embedding modelov

Sémantický generátor stojí na embedding modeloch. Embedding model transformuje text do číselného vektora. Vďaka tomu je možné matematicky porovnať, ako blízko sú dopyt a produkt významovo. Čím lepší embedding model, tým presnejšie vyhľadávanie rozumie tomu, čo zákazník skutočne hľadá.

Testovali sme dva hlavné typy embedding modelov: textové multilingválne modely a multimodálne modely, ktoré pracujú s textom aj obrazom.

Táto experimentácia potvrdila, že pre domény, kde sú vizuály produktov dôležité (móda, šperky), multimodálne modely jasne prekonávajú čisto textové.

Multilingválny model sa ukázal ako robustný základ pre sémantické vyhľadávanie naprieč jazykmi a doménami. Sémantická podobnosť medzi dopytom a produktom, ktorú tieto modely počítajú, sa zároveň ukázala ako jeden z najsilnejších signálov relevancie v re-ranking fáze.

Fine-tuning

Base model je dobrý štartovací bod, ale e-commerce vyhľadávanie má svoje špecifiká. Fine-tuning na behaviorálnych dátach viedol k merateľnému zlepšeniu kvality oproti základnému modelu.

Re-ranking: finálne zoradenie výsledkov

Re-ranking je druhou fázou našej architektúry a zároveň miestom, kde sa rozhoduje o finálnom poradí výsledkov. Model dostane kandidátov z oboch generátorov a zoradí ich na základe kombinácie behaviorálnych dát, výkonnostných metrík produktov a obchodných cieľov.

Infraštruktúra

Vyvinuli sme komplexnú infraštruktúru pre tréning a nasadenie re-ranking modelov, ktorá zaručuje produkčnú použiteľnosť v reálnom čase:

• Export dát: Systém exportu kandidátov a ich atribútov
• Tréningový pipeline: Dávkové spracovanie a sledovanie experimentov a modelov
• Nasadenie: Nasadenie re-ranking modelov s p99 latenciou pod 50 ms

Popularity bias a konflikt medzi obchodnými výsledkami a relevanciou

Re-ranking model trénovaný výlučne na behaviorálnych dátach trpí popularity biasom a uprednostňuje populárne produkty. Výsledky sú komerčne úspešné, avšak v niektorých prípadoch vnímaná relevancia klesá.

Hybridný tréning ako riešenie

Riešením sa ukázal hybridný prístup k tréningu. Keď sme trénovali re-ranking model na kombinácii behaviorálnych dát a ľudsky anotovaných relevančných dát, model si zachoval výkonnosť na behaviorálnych metrikách a zároveň sa zlepšil na relevancii. Jedným z najsilnejších signálov relevancie, ktoré model využíva, je sémantická podobnosť medzi dopytom a produktom počítaná z embedding modelov.

Prispôsobenie tréningového procesu viedlo k ďalšiemu nárastu tržieb o 2 % v A/B testoch naprieč rôznymi kategóriami od potravín cez elektroniku až po šperky.

Zistenia z experimentov

Stovky offline experimentov a viaceré A/B testy nám priniesli dôležité poznatky, ktoré formujú náš ďalší prístup k vývoju vyhľadávania.

Hybridný prístup je nevyhnutnosť

Ani najlepší sémantický model nenahradí lexikálne vyhľadávanie pri exaktných dopytoch. No ani najlepší lexikálny vyhľadávač nerozumie prirodzenému jazyku. Kombinácia oboch je najlepšie riešenie.

Popularity bias je reálny problém

Model trénovaný čisto na behaviorálnych dátach bude uprednostňovať populárne produkty na úkor obchodných cieľov. Hybridný tréning je nevyhnutný predpoklad vyváženého systému.

Fine-tuning sa vypláca

Base model je dobrý štart, ale fine-tuning na reálnych dátach prináša merateľné zlepšenie.

Lokálne špecifiká sú dôležité

Diakritika predstavuje reálnu technickú výzvu s dopadom na kvalitu vyhľadávania. Každý trh má svoje špecifiká, ktoré treba riešiť explicitne.

Záver

V rámci projektu vyvíjame funkčný hybridný vyhľadávací systém postavený na 2-stage architektúre, integrovaný priamo do platformy Luigi’s Box.

Systém kombinuje lexikálne a sémantické vyhľadávanie s re-rankingom, ktorý vyvažuje relevanciu aj obchodné ciele.

Potvrdili sme, že hybridný tréning (kombinácia behaviorálnych dát a relevančných dát) je najefektívnejším prístupom na dosiahnutie rovnováhy medzi revenue a relevanciou. A/B testy potvrdili pozitívny dopad na revenue o viac ako 2 %.

Tento výskum realizujeme v rámci projektu Aplikácia GenAI pre zlepšenie vyhľadávania a objavovania produktov v prostredí e-commerce (GENAI-ECO, kód projektu: 17I04-04-V05-00077), spolufinancovaného Európskou úniou z prostriedkov Plánu obnovy a odolnosti SR. Projekt prebieha od októbra 2025 do júna 2026.