01 — Signaux
L’historique devient une représentation lisible des préférences.
Les vues, ajouts panier et achats sont pondérés selon leur force et leur récence. Ils sont ensuite reliés aux attributs des produits afin de construire des affinités : catégories explorées, marques, gammes ou caractéristiques disponibles dans le catalogue.
Cette représentation facilite l’explication du score et permet une stratégie de repli lorsque l’historique est insuffisant. Elle distingue également une préférence répétée d’un événement isolé, sans utiliser d’identité ou de donnée individuelle dans la présentation publique.
02 — Learning-to-rank
Le modèle apprend à réordonner une liste candidate.
LambdaMART optimise directement l’ordre relatif des produits à partir de groupes de résultats. Son implémentation avec XGBoost combine les caractéristiques d’affinité, le contexte disponible et les signaux du produit pour attribuer un score à chaque candidat.
Le moteur de recherche conserve la responsabilité de produire un ensemble initial pertinent. Le reranker intervient ensuite sur une liste bornée, ce qui clarifie le rôle de chaque composant et permet d’activer ou de désactiver la personnalisation sans perdre le résultat de base.
03 — Protocole
Un split temporel rapproche l’évaluation du scénario réel.
L’entraînement utilise des interactions antérieures, puis le modèle doit classer un produit positif futur parmi des candidats négatifs. Le protocole a porté sur plusieurs dizaines de milliers d’événements et plusieurs milliers de produits, avec NDCG, Hit Rate et Mean Reciprocal Rank (MRR) comme mesures complémentaires.
La comparaison a isolé deux hypothèses. Les affinités utilisateur-produit amélioraient nettement les trois métriques, tandis qu’un modèle fondé uniquement sur le contexte général restait faible. L’expérience d’intégration a aussi révélé une latence excessive pour certaines stratégies de reranking, devenue un critère d’architecture.
04 — Portée
La prochaine preuve appartient à l’expérimentation en ligne.
L’évaluation repose sur des négatifs échantillonnés et un résultat futur observé. Elle mesure la capacité de ranking du modèle dans ce protocole, mais pas encore son effet causal sur le comportement des visiteurs.
La suite consiste à définir les segments éligibles, le fallback, les garde-fous de diversité et un test A/B mesurant clic, ajout panier, conversion et latence. Le modèle hors ligne devient alors une hypothèse produit instrumentée plutôt qu’une promesse d’impact commercial.