OpenSearch:カテゴリ予測機能の概要

行動データを用いたトレーニング

クリックデータがアップロード済みであり、かつトレーニングのしきい値を満たす場合にこのモードを使用します。トレーニング開始時に、OpenSearch は自動的にデータの量、品質、整合性が要件を満たしているかを検証します。

トレーニングパイプラインでは、以下のステップが実行されます：

1. 過去の検索クエリおよびカテゴリ情報からサンプルデータを生成し、行動データを用いてサンプルにラベルを付与します。

2. インデックス統計情報を収集し、クリックデータに対して特徴量計算を実行してクリック特徴量を生成します。

3. 検索クエリおよび商品タイトルを分析し、意味的特徴量を算出します。

4. トランザクション行動データが利用可能な場合、特徴量計算を実行してトランザクション特徴量を生成します。これにより、トランザクションパフォーマンスが優れた商品をより上位にランキングできます。

5. サンプルデータ、行動特徴量、意味的特徴量、トランザクション特徴量、およびラベルを統合してトレーニングデータを作成し、アルゴリズムに対して反復的なトレーニングを実行します。

6. 検索クエリとカテゴリ間の関連性を記述するモデルを出力します。

行動データを用いないトレーニング

クリックデータが未取得または未アップロードである場合、あるいはトレーニングに使用しないこと、またはデータがトレーニングのしきい値を満たさない場合にこのモードを使用します。必要なフィールドはカテゴリ ID および商品タイトルのみです。

行動データがない場合、サンプルデータに対するラベルは存在しません。代わりに、モデルは検索クエリのテキストと商品タイトルの間の意味的関連性を計算し、これをカテゴリ関連性スコアとして使用します。

行動データを用いてトレーニングされたモデルは、関連性の多様な次元を捉えるため、より正確な予測を実現します。いずれのモードでも、異なるシナリオのデータを用いたパラメータチューニングおよび検証が必要です。