Команда рекомендаций Яндекс Маркета делает персональные рекомендации товаров на главной странице, подбирает похожие и сопутствующие товары в карточке товара, а также персонализирует поиск. Мы ищем middle/senior ML-инженеров на два трека: нейросетевые рекомендации и более классический RecSys + discovery.
Какие задачи вас ждут
Нейросетевые рекомендации
Вы будете добавлять новые входные данные для нейросетей: поисковые запросы, типы действий (шеринг ссылки на товар), фичи пользователей и т. п. Понадобится экспериментировать с эмбеддингом товара (что из текстового описания и характеристик использовать, как учесть картинки товаров) и с архитектурой (добавлять отдельную голову под новый таргет, изменять лосс и т. п.). Также вы станете адаптировать модели под сценарии: рекомендации на главной странице, товары-аналоги (учёт контекста основного товара), поиск (учёт контекста поискового запроса). Ещё необходимо анализировать данные и искать точки роста в ML-моделях через новые таргеты, входные данные или фичи.
Классический RecSys и discovery
Вы станете экспериментировать с таргетом ранжирующих моделей. Как учесть юнит-экономику товаров? Как балансировать текущий интерес и новые discovery-категории для пользователя? Понадобится работать над discovery брендов (например, как любителям одежды показывать новые фэшен-бренды) и lifelong-рекомендациями: отвечать на вопрос, как запомнить релевантные интересы пользователя из далёкого прошлого. Пример: купил сноуборд 1,5 года назад (интерес/хобби — катание на сноуборде) → рекомендуем ботинки для сноуборда или горнолыжный шлем сейчас. Также вы будете развивать модели для подбора товаров-аналогов: коллаборативная фильтрация, статистическая со-встречаемость (PMI, Swing...), BERT и т. п. Кроме того, нужно анализировать данные и искать точки роста в ML-моделях через новые таргеты, фичи или бизнес-логику.
Мы ждем, что вы
Будет плюсом, если вы
