দ্রুত বিকশিত ই-কমার্সের পরিদৃশ্যে, ব্যবহারকারীর অভিজ্ঞতা উন্নত করতে এবং রূপান্তর চালাতে চাওয়া ব্যবসাগুলির জন্য ব্যক্তিগতকরণ একটি মূল পার্থক্যকারী হয়ে উঠেছে। ভারতের বৃহত্তম আইওয়্যার ই-কমার্স প্লেয়ার এবং একটি ইউনিকর্ন স্টার্টআপ হিসাবে, লেন্সকার্ট তার বিশাল গ্রাহক ভিত্তিকে স্বনির্ধারিত পণ্যের সুপারিশ প্রদান করার জন্য অত্যাধুনিক ডেটা সায়েন্স কৌশল ব্যবহার করার প্রয়োজনীয়তা স্বীকার করেছিল। এই নিবন্ধটি একজন ডেটা সায়েন্স পরামর্শদাতা হিসাবে আমার অভিজ্ঞতার মধ্যে প্রবেশ করে, যেখানে আমি একটি উদ্ভাবনী সুপারিশ সিস্টেমের উপর কাজ করেছিলাম যা লেন্সকার্টের ব্যবহারকারীরা আইওয়্যার পণ্য আবিষ্কার এবং ইন্টারঅ্যাক্ট করার পদ্ধতিকে রূপান্তরিত করেছিল।
চ্যালেঞ্জ: আইওয়্যার শপিং ব্যক্তিগতকরণ#
অনলাইন শপিংয়ের ক্ষেত্রে আইওয়্যার শিল্প অনন্য চ্যালেঞ্জ উপস্থাপন করে। অন্যান্য অনেক পণ্য বিভাগের বিপরীতে, চশমা এবং কন্টাক্ট লেন্স অত্যন্ত ব্যক্তিগত আইটেম যা স্টাইল, ফিট এবং কার্যকারিতার সাবধান বিবেচনা প্রয়োজন। লেন্সকার্টের লক্ষ্য ছিল একটি সুপারিশ সিস্টেম তৈরি করা যা উচ্চ মাত্রার সঠিকতার সাথে ব্যবহারকারীর পছন্দ বুঝতে এবং পূর্বাভাস দিতে পারে, যা শেষ পর্যন্ত গ্রাহক সন্তুষ্টি এবং বিক্রয় বৃদ্ধি করবে।
প্রকল্পের মূল উদ্দেশ্যগুলি ছিল:
- পছন্দ বোঝার জন্য ব্যবহারকারীর দেখার আচরণ বিশ্লেষণ করা
- পণ্যের বৈশিষ্ট্য এবং ব্যবহারকারীর ইন্টারঅ্যাকশন থেকে শিখতে পারে এমন একটি সিস্টেম বিকাশ করা
- ব্যক্তিগতকৃত অনুসন্ধান ফলাফল এবং পণ্যের সুপারিশ তৈরি করা
- লেন্সকার্টের বিদ্যমান অবকাঠামোতে সুপারিশ সিস্টেমটি নির্বিঘ্নে একীভূত করা
সমাধান: ওয়ার্ড2ভেক-এর শক্তি ব্যবহার করা#
এই জটিল চ্যালেঞ্জ মোকাবেলা করার জন্য, আমরা ওয়ার্ড2ভেক-এর দিকে ফিরেছি, একটি শক্তিশালী প্রাকৃতিক ভাষা প্রক্রিয়াকরণ কৌশল যা সাধারণত শব্দ এমবেডিংয়ের জন্য ব্যবহৃত হয়। তবে, আমাদের উদ্ভাবনী পদ্ধতিতে, আমরা আইওয়্যার পণ্য এবং ব্যবহারকারীর পছন্দ শেখা এবং প্রতিনিধিত্ব করার জন্য ওয়ার্ড2ভেক পুনরায় ব্যবহার করেছি।
ডেটা সংগ্রহ এবং প্রি-প্রসেসিং#
আমাদের সুপারিশ সিস্টেম তৈরির প্রথম ধাপ ছিল প্রয়োজনীয় ডেটা সংগ্রহ এবং প্রি-প্রসেস করা। আমরা দুটি প্রাথমিক ডেটা উৎসের উপর মনোনিবেশ করেছি:
- ব্যবহারকারী সেশন ডেটা: এতে ব্যবহারকারীরা যে পণ্যগুলি দেখেছেন, ক্লিক করেছেন, কার্টে যোগ করেছেন এবং কিনেছেন সে সম্পর্কিত তথ্য অন্তর্ভুক্ত ছিল।
- পণ্যের বৈশিষ্ট্য ডেটা: আমরা প্রতিটি আইওয়্যার পণ্য সম্পর্কে বিস্তারিত তথ্য সংগ্রহ করেছি, যার মধ্যে স্টাইল, রঙ, ফ্রেমের আকার, লেন্সের ধরন এবং আরও অনেক কিছু অন্তর্ভুক্ত ছিল।
ডেটা মঙ্গোডিবিতে সংরক্ষণ করা হয়েছিল, একটি NoSQL ডাটাবেস যা বড় পরিমাণে অসংগঠিত ডেটা পরিচালনার জন্য প্রয়োজনীয় নমনীয়তা এবং স্কেলেবিলিটি প্রদান করেছিল।
আইওয়্যারের একটি “ব্যাকরণ” তৈরি করা#
আমাদের পদ্ধতির সবচেয়ে গুরুত্বপূর্ণ এবং উদ্ভাবনী দিকগুলির মধ্যে একটি ছিল আইওয়্যার পণ্যগুলিকে তাদের বৈশিষ্ট্য ব্যবহার করে “বাক্য” হিসাবে উপস্থাপন করা। উদাহরণস্বরূপ, একটি চশমাকে এভাবে উপস্থাপন করা যেতে পারে:
উভলিঙ্গ, লাল, গোল-রিম, বাদামি লেন্স
এই উপস্থাপনা আমাদেরকে প্রতিটি পণ্যকে বৈশিষ্ট্যের একটি অনন্য সংমিশ্রণ হিসাবে বিবেচনা করতে দিয়েছিল, ঠিক যেমন প্রাকৃতিক ভাষায় শব্দগুলি বাক্য গঠন করে।
ওয়ার্ড2ভেক মডেল প্রশিক্ষণ#
আমাদের ডেটা প্রস্তুত এবং আইওয়্যারের “ব্যাকরণ” প্রতিষ্ঠিত হওয়ার পরে, আমরা ওয়ার্ড2ভেক মডেল প্রশিক্ষণ দেওয়া শুরু করলাম। মডেলটি দেখার আচরণ ডেটার উপর ভিত্তি করে পণ্য এবং ব্যবহারকারী উভয়ের ভেক্টর প্রতিনিধিত্ব তৈরি করতে শিখেছিল।
প্রশিক্ষণ প্রক্রিয়ার মূল ধাপগুলি অন্তর্ভুক্ত ছিল:
- পণ্যের বৈশিষ্ট্য এবং ব্যবহারকারীর ইন্টারঅ্যাকশন টোকেনাইজ করা
- উপযুক্ত হাইপারপ্যারামিটার সেট করা (যেমন, ভেক্টর মাত্রা, উইন্ডো আকার)
- ব্যবহারকারী সেশন এবং পণ্যের বৈশিষ্ট্যের সম্পূর্ণ ডেটাসেটে মডেল প্রশিক্ষণ দেওয়া
- কর্মক্ষমতা মেট্রিক্সের উপর ভিত্তি করে মডেল ফাইন-টিউন করা
ফলস্বরূপ মডেলটি বিভিন্ন পণ্যের বৈশিষ্ট্য এবং ব্যবহারকারীর পছন্দের মধ্যে সম্পর্ক কার্যকরভাবে ধরতে পারে একটি উচ্চ-মাত্রিক ভেক্টর স্পেসে।
ব্যক্তিগতকৃত সুপারিশ তৈরি করা#
ওয়ার্ড2ভেক মডেল প্রশিক্ষণ দেওয়া হলে, আমরা এটি ব্যবহারকারীদের জন্য ব্যক্তিগতকৃত সুপারিশ তৈরি করতে ব্যবহার করতে পারি। প্রক্রিয়াটি এভাবে কাজ করত:
- একজন নির্দিষ্ট ব্যবহারকারীর জন্য, আমরা তাদের দেখার ইতিহাস বিশ্লেষণ করেছি এবং তারা যে পণ্যগুলির সাথে ইন্টারঅ্যাক্ট করেছেন তার উপর ভিত্তি করে একটি ব্যবহারকারী ভেক্টর তৈরি করেছি।
- তারপর আমরা এই ব্যবহারকারী ভেক্টর ব্যবহার করে ভেক্টর স্পে