Laure Soulier, Lamjed Ben Jabeur, Paul Mousset, Lynda Tamine. Quels facteurs de pertinence pour la recherche de produits e-commerce ?. Dans : Conférence francophone en Recherche d'Information et Applications (CORIA 2016), Toulouse, 09/03/2016-11/03/2016, Association Francophone de Recherche d'Information et Applications (ARIA), p. 415-430, mars 2016. https://www.irit.fr/publis/SIG/2016_CORIA_SOULIER.pdf
Un moteur de recherche e-commerce vise à fournir un accès rapide et efficace à des produits qui correspondent aux besoins et aux préférences de l'utilisateur parmi une liste de produits similaires ou étroitement liés. Nous avons participé à la campagne d'évaluation « Living Lab for Information Retrieval » qui proposait une tâche de recherche de produits évaluée par des utilisateurs réels lors de scénarios de recherche réelle sur un site de e-commerce. L’évaluation expérimentale a montré des résultats prometteurs de notre modèle. Dans ce papier, nous proposons une analyse des fichiers logs issus de notre modèle afin d'identifier des facteurs d’efficacité liés à la requête et aux produits. L'objectif de cette étude est d'ouvrir des pistes de recherche pour la formalisation de modèles de recherche de produits.
E-commerce product retrieval aims to provide a quick and efficient access to products that fit user’s needs and preferences among a tail of similar or closely related products. We participated to the ``Living Lab for Information Retrieval'' evaluation campaign devoted to a product search task in which real users evaluated participants' retrieval models in real search scenarios on e-commerce websites. The experimental evaluation has shown encouraging results for our proposed model. In this paper, we conduct an analysis of users' feeadback with respect to the clicks obtained by our model. The goal of the paper is therefore to identify the effectiveness factors underlying the user's queries and the retrieved products in order to open perspectives in the formalization of product search models.
Piloter sa stratégie de référencement avec Yooda SeeUrank
Quels facteurs de pertinence pour la recherche de produits e-commerce ?
1. Quels facteurs de pertinence
pour la recherche de produits
e-commerce ?
Laure Soulier — Lamjed Ben Jabeur — Paul Mousset — Lynda Tamine
1
2. Plan
1. Recherche des produits e-commerce
2. Campagne d’évaluation LL4IR
3. Impact des caractéristiques des requêtes
4. Impact des caractéristiques des produits
5. Conclusion
2Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
3. La recherche de produits e-commerce
3
240 millions produits!
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
4. La recherche de produits e-commerce
4
Requêtes populaires 2016
nike 100
samsung 95
amazon 95
iphone 90
adidas 60
bon coin 50
le bon coin 45
(Google Search Trends)
Requêtes en hausse 2016
chaussure led +300 %
iphone 6s +120 %
maison du monde +70 %
meuble tv +60 %
reebok +60 %
superstar femme +60 %
but +50 %
(Google Search Trends)
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
5. 5
La recherche de produits e-commerce
Samsung
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
6. Approches de l’état de l’art
1. Approches orientées utilisateurs
(Chen, 2010 ; Castagnos et al., 2010)
2. Approches orientées produits
(Detlor et al., 2003, Chen et al., 2011, Vandic et al., 2012, Duan et al., 2013)
6
Samsung
Galaxy S5
Android
Blanc
16Mpx
32Go
1 2
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
7. Contexte de notre étude
7
• Participation à la campagne LL41IR (Schuth et al, 2015)
• Tâche de recherche de produits
• Recherche d’information
• Requête : mots clés + préférences
• Documents : produits
• Evaluation par des utilisateurs réels
• Requêtes fréquentes : « head queries » (Balog et al, 2014)
• Clics utilisateurs
• Contribution du papier : Retour d’expérience
http://living-labs.net/
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
8. Questions de recherche
RQ1 : Quelles sont les caractéristiques des requêtes
utilisateurs lors d’une recherche de produits ?
Quel est l’impact de ces caractéristiques sur l’efficacité de la
recherche ?
RQ2 : Quelles sont les caractéristiques des produits
retournés par notre modèle ?
Quelles caractéristiques des produits impactent l’efficacité de
la recherche ?
8Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
9. LL4IR : Principe et fonctionnement
9
Requête
Résultats Résultats Résultats
Documents
Requêtes
Documents
Requêtes
(temps-réel) (temps-réel)
(temps-réel)(temps-réel)
Requête Requête
Clics Clics Clics
(Schuth et al, 2015)
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
site Participant
Utilisateur
10. 10
LL4IR : Principe et fonctionnement
• Site de vente de jouets
• Leader Hongrois
• Moteur de recherche Solr
• 100 requêtes
http://www.regiojatek.hu/
Requêtes
Apprentissage Test
Clics
Mesures d’efficacité
Mise à jour
Clics
Mesures d’efficacité
Mise à jour
Clics
Mesures d’efficacité
Mise à jour
Périodes
Appren
tissage
Test
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
(Schuth et al, 2015)
11. 11
LL4IR : Principe et fonctionnement
• ~6572 produits
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
12. 12
LL4IR : Principe et fonctionnement
• ~6572 produits
(Schuth et al, 2015)
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
13. • Algorithme d’entrelacement (Radlinski et al, 2008)
• Mesure d’évaluation
13
LL4IR : Principe et fonctionnement
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
A B A+BSolr Participant
14. LL4IR : Modèle de recherche de produits proposé
Modèle probabiliste de recherche de produits
• La probabilité que les champs descriptifs soient similaires à la requête
• La probabilité que la catégorie du produit soit pertinente pour la requête
Pertinence de produit
Réordonnancement
Engagement (social) des utilisateurs
14Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
15. 15
LL4IR: Participants et Résultats
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
Baseline : Clics historiques
GESIS : Réordonnancement selon clics historiques
UiS : Modèle probabiliste basé sur les champs des documents
IRIT : Notre système
16. 16
LL4IR: Participants et Résultats
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
Résultats LL4IR sur la période 15-31 juillet 2015
17. Rappel des questions de recherche
RQ1 : Quelles sont les caractéristiques des requêtes
utilisateurs lors d’une recherche de produits ?
Quel est l’impact de ces caractéristiques sur l’efficacité de la
recherche ?
RQ2 : Quelles sont les caractéristiques des produits
retournés par notre modèle ?
Quelles caractéristiques des produits impactent l’efficacité de
la recherche ?
17
Retour d’expérience:
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
18. Catégories des requêtes
18
Analyse descriptive des caractéristiques requêtes
Classification manuelle de la requête
Requête Traduction Entités nommées (Wikidata) Classe
Lego Duplo
Tűzoltó
Lego Duplo
Fireman
Lego Duplo brand, toy, construction set
Tűzoltó : historical profession, profession
Entité Instance de
Marque
Thème
Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
19. Analyse des requêtes selon la mesure d’efficacité
Analyse de l’efficacité selon la classe de la requête
Classification des requêtes
19Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
Echec: Table, Lego, costume, Poni, Thomas, Voitures
Acceptable : Angry Birds, maison de poupées, Landau, Scrabble, ville Lego
Succès : Activité, aspirateur, tracteur, puzzle
20. Caractéristiques qualitatives des produits
Caractéristiques numériques des produits
Caractéristiques des produits
20Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
21. Modèle descriptif des préférences utilisateurs
Préférence des utilisateurs
21Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
22. Conclusion
• Identifier les facteurs de pertinence
• facteurs liés à la requête
• facteurs liés aux produits
• Absence de relation entre l’efficacité d’une requête
et ses caractéristiques
• Des requêtes non discriminantes pour la recherche de
produits.
• La pertinence est dépendante des caractéristiques
des produits
• La présentation du produit est prépondérante
• Ancienneté sur le marché et réduction
22Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
23. Conclusion
• Répondre au besoin de l’utilisateur
• Au delà des produits similaires
• Inférer les préférences des utilisateurs
• (exemple,le genre ou l’âge recommandés)
• Perspectives
• Tenir compte du contexte de la recherche
• Produits dans le panier, requêtes précédentes
• Mise à jour régulière des résultats selon les clics
• Apprentissage adaptatif
• Recherche bibliographique
• TREC OpenSeach 2016
• Microsoft Academic, SSOAR and CiteSeerX
23Recherche de produits | Campagne LL4IR | Caractéristiques des requêtes | caractéristiques des produits | Conclusion
Chen L., « Social influence of product popularity on consumer decisions : usability
study of Flickr camera finder », IUI, p. 297-300, 2010.
Castagnos S., Jones N., Pu P., « Eye-tracking product recommenders’ usage », Proceedings
of the fourth ACM conference on Recommender systems, ACM, 2010.
F. Radlinski, M. Kurup, and T. Joachims. How does clickthrough data reflect retrieval quality? In CIKM’08. 2008
Flip a coin to see which “team” goes first.
That “captain” picks next best available document.
Any clicks on it will be assigned to that “team”.
The other “team” picks highest ranked available doc.
Flip a coin again and continue
Requêtes généralement courtes, voir très courtes,
Généralement le sens des requêtes est claire
Relié à des éléments populaires
C’est pas une recherche d’information, mais s’un éléments qu’on connais à l’avance et on sais qu’il existe
La majorité sont des dispositifs (jeux de cartes, voitures, poupées) correspondant aussi à des catégories sous certains classements
On sait qu’on veut, et en cherche pour sélectionner, diffèrent de besoin d’information « je cherche un jeu qui permet de développer la capacité de concentration » ou « cadeau pour nouveau née »
Nombreuses requêtes sur marque, du la poplarité
Peu de personnages, confondus avec des franchises (OUI Angry Birds,, Flou: Spider man, Non: The Little Mole)