Что изменили в Wayfair
В работе Query- and Candidate-Aware Long User Sequence Modeling от 8 ноября 2026 команда Wayfair добавляет к недавним действиям события из долгой истории, выбранные двумя способами: по близости товара к текущему кандидату и по соответствию поисковому запросу. Совпавшее событие учитывается один раз. В описанной конфигурации предусмотрены до 100 недавних действий и до 50 из каждого дополнительного отбора.
Авторы сообщают о пятинедельном тесте, в котором пользователей случайно распределяли между вариантами: CTR вырос относительно контроля на 6%, заказы на показ на 11,5%, время ответа модели примерно на 12%. Абсолютные объёмы трафика не раскрыты; для исторических offline-прогонов не сохранились оценки неопределённости. Распределение 100/50/50 названо рабочей конфигурацией, а не глобальным оптимумом.
Онлайн-цифры относятся ко всей новой системе: вместе с отбором истории изменились представления запроса и товара и вспомогательная задача обучения. Отдельный причинный вклад двух способов отбора этим тестом не установлен. Вывод редакции для российского ритейлера уже: старое действие стоит оценивать относительно текущей задачи. Хранить больше событий и подавать их все модели не одно и то же. Дальше мы показываем механизм на вымышленных товарах, без воспроизведения модели Wayfair.
Один запрос, два вопроса к истории
Покупатель вводит «стол для маленькой комнаты». Система рассматривает складной письменный стол. Поиск по запросу может вернуть давний просмотр настенного стола: он отвечает ограничению пространства. Поиск по товару может вернуть просмотр кресла, связанного с рабочим местом. Это разные причины полезности прошлого события.
В документации scikit-learn о соседях поиск похожих объектов зависит от выбранного представления и расстояния. Слово «похожий» само по себе не задаёт деловую логику. Для товарной рекламы необходимо понимать, что именно близко: назначение, категория, цена, внешний вид или сочетание признаков.
Редакционный пример не вычисляет такие расстояния. Он заранее размечает четыре события, чтобы проверить объединение результатов. В рабочей системе качество похожести оценивают отдельно: неверный отбор не станет полезным только от передачи в более сложную модель.
Четыре события без вымышленного роста продаж
В учебном файле событие E1 относится к лампе вчера, E2 к маленькому столу 90 дней назад, E3 к креслу 120 дней назад, E4 к настенному столу 180 дней назад. Давность и метки придуманы редакцией. Они не описывают рекомендованный срок хранения данных.
E1 сохраняется как недавнее действие. E2 подходит и запросу, и кандидату, но не должен удваиваться. E3 попадает только по кандидату, E4 только по запросу. Итоговый набор содержит четыре разных события. Если складывать строки двух отборов без ключа события, E2 будет учтено дважды просто из-за совпадения способов поиска.
Это проверка подготовки данных для модели, а не модель CTR. Из четырёх меток нельзя вывести вероятность покупки. Для российского маркетплейса такой небольшой набор полезен до обучения: интегратор может доказать, что объединяет разрешённые события с ожидаемой логикой и не добавляет дубли.
Длинная история не означает бессрочное разрешение
Релевантность старого события и право его использовать решаются отдельно. Возраст просмотра не сообщает, сохранилось ли основание для обработки, доступна ли запись нужной команде и применим ли источник к данному сценарию. Сначала проверяют право использовать событие, затем выбирают похожие товары.
Также отделяйте прошлую покупку для себя от подарка и разового проекта. Долгая история может хранить несколько разных задач. Полезно сравнивать качество по ясным сценариям, например новый посетитель, редкий покупатель, постоянный клиент. При этом общий результат сохраняют и не выбирают удачную группу после просмотра цифр.
Нужны и технические ограничения: сколько стоит дополнительный поиск, что делать при отсутствии истории, каков запасной порядок выдачи. В рекламе дополнительная точность должна помещаться в доступное время ответа. Успешный показ чужой модели не устанавливает этот предел для вашей интеграции.
Что проверить до своего эксперимента
Запишите текущий базовый вариант и отдельно добавляемые способы отбора. Сравнение «старая система против всего нового сразу» не покажет, полезен ли поиск по запросу, по товару или только их сочетание. Сначала нужна понятная сборка вариантов, затем оценка качества и ограниченный тест на пользователях.
Сохраняйте ключ события, время действия, время доступности для модели, основание включения и результат удаления дублей. Заказ, появившийся после проверяемого рекламного запроса, не может служить его исторической подсказкой. Такой перенос будущего в прошлое способен создать убедительную, но неприменимую оценку.
Продолжить помогут свежесть сегмента, проверка товарного фида и Taobao: отбор продавца с проверкой доставки. Там решаются другие условия допуска. Термины: retail media, first-party data, измерение.





