Правила применения рекомендательных технологий

ООО «ЕАПТЕКА» (ИНН 7704865540) (далее — Общество) является владельцем сайта www.eapteka.ru (далее — Сайт) и мобильных приложений для Android и iOS «ЕАПТЕКА», а также владельцем рекомендательной системы подбора товаров, использующей информационные технологии предоставления информации на основе сбора, систематизации и анализа сведений, относящихся к предпочтениям пользователей сети «Интернет», находящихся на территории Российской Федерации (далее — Владелец информационного ресурса, на котором применяются рекомендательные технологии).

Настоящие Правила применения рекомендательных технологий (далее — Правила) содержат описание процессов и методов сбора, систематизации, анализа сведений, относящихся к предпочтениям пользователей сети «Интернет», предоставления информации на основе этих сведений, способов осуществления таких процессов и методов, а также описание видов сведений, относящихся к предпочтениям пользователей сети «Интернет», которые используются для предоставления информации с применением рекомендательных технологий, и источников получения таких сведений.

Владелец информационного ресурса, на котором применяются рекомендательные технологии, не допускает применение рекомендательных технологий, которые нарушают права и законные интересы граждан и организаций, а также не допускает применение рекомендательных технологий в целях предоставления информации с нарушением законодательства Российской Федерации.

Под рекомендательными технологиями здесь и далее понимаются программные комплексы, которые с помощью алгоритмических вычислений на основании данных о пользователе или характеристиках элементов в системе осуществляют индивидуализированный подбор, а также ранжирование контента для конечного пользователя.

Процесс сбора сведений, относящихся к предпочтениям пользователей сети

Модель персональных рекомендаций, используемая на Сайте, обрабатывает данные о действиях пользователей, которые собираются во время просмотра пользователем содержимого сайта и/или мобильных приложений. Полученные сведения в дальнейшем загружаются в базы данных Общества и используются для обучения моделей и построения рекомендаций.

Метод сбора сведений, относящихся к предпочтениям пользователей сети

Сведения о пользователе собираются при помощи трекера Сайта во время просмотра пользователем содержимого сайта и/или мобильных приложений. Полученные сведения загружаются в базы данных по защищенным каналам поставок данных.

Процесс систематизации и анализа сведений, относящихся к предпочтениям пользователей сети

Сведения о пользователе, полученные на предыдущем этапе, группируются для получения дополнительных сведений о пользователях и товарах из уже имеющихся. Полученные сведения используются для обучения моделей машинного обучения с целью анализа имеющихся сведений и выявления зависимостей между пользователями и товарами.

Метод систематизации и анализа сведений, относящихся к предпочтениям пользователей сети

Сведения о пользователе, полученные на предыдущем этапе, группируются с применением средств анализа данных машинного обучения и баз данных. К полученные в результате этого сгруппированным данным применяются методы матричной факторизации с целью анализа имеющихся сведений и выявления зависимостей между пользователями и товарами. В дальнейшем полученные сведения и зависимости в них применяются для обучения ансамбля моделей машинного обучения (решающих деревьев) методом последовательного построения моделей (бустинг).

Для обучения моделей используются следующие данные:

1. идентификатор региона;
2. идентификатор пользователя;
3. идентификатор заказа;
4. идентификатор товара;
5. дата совершения заказа;
6. цена товара;
7. текстовое описание товара;
8. форма выпуска товара, дозировка;
9. производитель товара;
10. основное действующее вещество товара;
11. количество проданных единиц товара;
12. выручка с товара;
13. категория товара;
14. история покупок пользователя;
15. идентификатор платформы пользователя (web/mobile);
16. стоимость заказа;
17. размер скидки в заказе;
18. состав заказа;
19. стоимость доставки заказа;
20. количество товаров в заказе.

При непосредственной рекомендации пользователям тех или иных товаров используются также дополнительные данные:

1. список товаров в корзине пользователя;
2. список просмотренных товаров в текущей сессии;
3. список товаров, добавленных в избранное;
4. список посещенных страниц товаров в текущей сессии;
5. текущий просматриваемый товар;
6. идентификатор пользователя.

Рекомендательные технологии Общества работают по следующей схеме:

1. создается таблица, строки которой соответствуют уникальным пользователям, а столбцы соответствуют уникальным товарам. Значением на пересечении является вес взаимодействия — например, 0, если взаимодействия не было, или 1, если оно было;
2. проводится матричная факторизация полученной таблицы, которая позволяет получить векторное представление товаров и пользователей;
3. на основе векторного представления происходит ранжирование всех товаров в таблице для каждого пользователя по векторной близости — это позволяет модели выделить товары, с которыми пользователь не взаимодействовал, но которые были бы потенциально ему интересны;
4. формируется таблица для обучения ансамбля моделей (решающих деревьев) машинного обучения методом последовательного построения этих моделей (бустинга), при помощи которой происходит дополнительное ранжирование товаров, рекомендованных моделью. При создании данной таблицы рассчитываются различные дополнительные признаки пользователей, такие как:
   1. данные о покупках в разных категориях товаров;
   2. RFM-признаки пользователя — давность и частота покупок, сумма трат пользователя;
   3. векторное представление пользователя, на основе которого рассчитывается векторная близость пользователя и товара;
   4. факт взаимодействия пользователя и товара в прошлом;
5. на сформированной таблице обучается ансамбль моделей (бустинг);
6. обученная модель используется для ранжирования списка рекомендованных товаров;
7. по векторным представлениям товаров осуществляется поиск ближайших товаров к товарам, просмотренным пользователем в рамках сессии;
8. осуществляется поиск сопутствующих товаров к товарам, просмотренным пользователем в рамках сессии;
9. происходит смешивание списков ближайших и сопутствующих товаров, а после — показ конечного полученного списка пользователю.