Поисковая строка, которая понимает: гибрид подсказок и LLM-классификаторов в нишевом каталоге. llm.. llm. Natural Language Processing.. llm. Natural Language Processing. агрегатор.. llm. Natural Language Processing. агрегатор. искусственный интеллект.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение. поиск.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение. поиск. поисковые подсказки.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение. поиск. поисковые подсказки. Поисковые технологии.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение. поиск. поисковые подсказки. Поисковые технологии. рекомендательные системы.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение. поиск. поисковые подсказки. Поисковые технологии. рекомендательные системы. решающие деревья.. llm. Natural Language Processing. агрегатор. искусственный интеллект. классификация текста. Машинное обучение. поиск. поисковые подсказки. Поисковые технологии. рекомендательные системы. решающие деревья. холодный старт.
Поисковая строка, которая понимает: гибрид подсказок и LLM-классификаторов в нишевом каталоге - 1

Мир Квестов — агрегатор квестов в реальности: больше десяти лет на рынке, 7,5 миллиона посетителей в год, около трёх тысяч квестов по России. Посетитель приходит с запросом вроде «хочу интересный квест» или «что-нибудь страшненькое на двоих», и поиск должен превратить это в подборку, из которой он что-то забронирует.

Статья написана по моему докладу на открытой сцене GTF 2026. Числа и слайды взяты из доклада. Первая часть про подсказки: как опрос покупателей заменил нам историю просмотров и как решающее дерево сжало анкету из 120 галочек до трёх кликов. Вторая часть про текст: шесть LLM-классификаторов, которые разбирают запрос, пока посетитель печатает. В конце метрики и то, как похожие задачи решают большие компании.

Поиск — главный путь к покупке

По открытым источникам, больше 70% покупателей Wildberries находят товар через поисковую строку; на Авито, где я раньше работал менеджером продукта, доля сделок из поиска того же порядка. Ozon переписал поиск с Elasticsearch на собственный движок и ускорил его втрое. Авито объявило, что потратит 500 млн ₽ на ассистента «Ави», который в диалоге уточняет параметры поиска. То есть поиск очень важен агрегаторам, классифайдам и маркетплейсам.

Поиск — главный путь к покупке на агрегаторах

Поиск — главный путь к покупке на агрегаторах

В каталоге из тысяч позиций клиент не листает витрину, он формулирует запрос. Если поиск его не понял, товара клиент не найдет. А значит не будет покупки.

Рынок на плато

Ниша квестов зрелая. Этап бурного роста прошёл, и ждать роста бизнеса за счёт нового трафика не приходится: спрос, например по запросу «страшный квест» в Вордстате, стоит на месте.

Спрос на квесты по данным Яндекс Вордстата

Спрос на квесты по данным Яндекс Вордстата

На плато главный резерв роста — эффективность: помочь уже пришедшему посетителю найти свой квест. Отсюда интерес к поиску и рекомендациям.

65% посетителей не авторизованы

Было бы удобно, если бы посетители знали каталог наизусть и писали точные запросы без ошибок, а лучше сразу на SQL. На практике пишут в общем, с опечатками и сами не всегда знают, чего хотят. «Интересный квест» у каждого свой, и чтобы на него ответить, нужна рекомендательная система.

Классическая рекомендательная система советует по истории: что человек смотрел и бронировал раньше. У нас 65% посетителей не авторизованы, истории у них нет, советовать не на чем.

У двух третей аудитории нет истории просмотров

У двух третей аудитории нет истории просмотров

Выдача по умолчанию показывала всем одно и то же — популярные квесты. В нашей сфере это в основном страшные квесты и перформансы. Тем, кто пришёл за приключением или детективом, такие рекомендации не подходили.

Версия 1. Подсказки

Историю просмотров заменяет опрос покупателей

Если данных о пользователях нет, их можно спросить. После бронирования мы предлагаем анкету из 10–12 вопросов: какие нравятся жанры, декорации, форматы, уровень страха и сложности, с кем человек ходит и по какому поводу бронирует. За год набирается 20–30 тысяч анкет.

Анкета покупателя

Анкета покупателя

Каждая анкета помечена квестом, который респондент забронировал. Получается размеченный датасет: слева предпочтения, справа выбор. На таком объёме уже можно обучить модель, которая хорошо рекомендует тому, кто ответил на все вопросы.

Решающее дерево сжимает анкету

Проблема в слове «все». В анкете около 120 вариантов ответа. Если посетитель отметит на сайте 120 галочек, мы дадим точную рекомендацию, но никто этого делать не будет. Поэтому пространство вопросов мы сжимаем машинным обучением в три шага:

  1. Анкеты. Ответы кодируются в признаки: каждый вариант ответа — столбец с 0 или 1.

  2. Кластеры. Покупатели и квесты группируются методом k-средних.

  3. Дерево. Решающее дерево глубиной 6 предсказывает класс квеста за несколько вопросов.

От анкет к дереву вопросов

От анкет к дереву вопросов

Упрощённая схема на scikit-learn выглядит так (иллюстрация подхода, имена файлов и параметры условные):

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.tree import DecisionTreeClassifier, export_text

# Одна строка — одна анкета. Столбцы — варианты ответов (0 или 1),
# quest_id — квест, который респондент забронировал.
answers = pd.read_parquet("surveys.parquet")
X = answers.drop(columns=["quest_id"])

# Квест описываем средним профилем ответов его покупателей
# и группируем квесты в классы методом k-средних.
N_CLASSES = 30  # подбирается на валидации
quest_profiles = X.groupby(answers["quest_id"]).mean()
kmeans = KMeans(n_clusters=N_CLASSES, random_state=0).fit(quest_profiles)
quest_class = pd.Series(kmeans.labels_, index=quest_profiles.index)
y = answers["quest_id"].map(quest_class)

# Дерево учится угадывать класс квеста по минимуму вопросов.
tree = DecisionTreeClassifier(max_depth=6, min_samples_leaf=50).fit(X, y)
print(export_text(tree, feature_names=list(X.columns)))

Дерево превращает датасет в граф вопросов и ответов. На каждом шаге посетителю предлагают 3–5 вариантов; выбрав один, он попадает в более узкую ветку, где вопросы уже другие. Любителя мистики спросят про призраков и заброшенные дома, а родителя с ребёнком — про волшебных существ и сокровища.

Метрика

Значение

Что показывает

Точность

76%

сколько предсказаний верны

Полнота

65%

сколько верных классов модель находит

F1-мера

67%

среднее гармоническое точности и полноты

Трёх кликов уже хватает для рекомендации, а люди кликают по 4–5 раз и больше.

Как это выглядит в интерфейсе

Под поисковой строкой стоят кнопки-подсказки, чипсы. Посетитель кликает: «Не страшный», «Квест», «Для детей», «волшебных существ». Пока он это делает, в строке собирается фраза на естественном языке: «Не страшный квест для детей про волшебных существ в жанре экшн для 4-х человек».

Путь по дереву: каждый клик дописывает запрос и открывает следующую ветку

Путь по дереву: каждый клик дописывает запрос и открывает следующую ветку

К последнему клику поиск знает все параметры и показывает подборку.

Минус первой версии

Мы профессионалы и классифицируем квесты по-своему: я знаю, что такое саспенс, чем триллер отличается от хоррора и чем один уровень страха отличается от соседнего. Посетитель сайта этого не знает. Он хочет «интересный квест» и «что-нибудь страшненькое». Наши категории не совпадают с его словами, и заставлять его учить наш язык бессмысленно. Нужно дать ему писать на своём и научиться это распознавать.

Кликающие получали рекомендацию, печатающие — нет

Кликающие получали рекомендацию, печатающие — нет

Версия 2. Распознавание текста

Модель о шести головах

Для этого мы используем большие языковые модели в режиме классификации. Классификаторов шесть, каждый отвечает за свой параметр:

  • Страшность — уровень страха квеста, от 0 до 3.

  • Сложность — уровень сложности загадок.

  • Число игроков — на сколько человек рассчитан квест.

  • Возраст — минимальный возраст участников.

  • Формат — тип игры, например перформанс.

  • Категория — тематика: мистика, детектив, фэнтези.

Шесть классификаторов разбирают один запрос

Шесть классификаторов разбирают один запрос

Запрос уходит в модели на лету, пока посетитель печатает. Каждая голова по набранным символам решает, сказано ли в них что-то про её параметр.

Пример: «страшный на двоих»

Человек написал «страшный на двоих». Модель поняла, что речь, скорее всего, про уровни страха 2–3 и про двух игроков. Результат разбора можно представить так (структура условная):

{
  "query": "страшный на двоих",
  "scary_level": [2, 3],
  "difficulty": null,
  "players": 2,
  "min_age": null,
  "format": null,
  "category": null,
  "unrecognized": ""
}
Текст превращается в фильтры

Текст превращается в фильтры

Дальше происходят две вещи:

  1. Дерево подсказок само переключается на ветку «Страшный или хоррор». Чипсы под строкой меняются, посетителю не нужно кликать лишний раз, и он видит, что его поняли.

  2. Распознанные слова становятся точными фильтрами. В текстовый поиск уходят только нераспознанные слова, например название квеста.

Гибрид: оба способа в одной строке

Подсказки и текст смешиваются в одной поисковой строке. Посетитель кликнул чипс «Мистика» и дописал словами «на двоих». Или наоборот: начал со слов и уточнил кликами. Порядок не важен. Чипс стирается одним нажатием целиком, текст — посимвольно.

Смешанный ввод: чипс и текст рядом

Смешанный ввод: чипс и текст рядом

В любом случае посетитель получает рекомендацию и оказывается на поисковой выдаче с уже выставленными фильтрами.

Выдача на сайте: фильтры слева выставлены по запросу

Выдача на сайте: фильтры слева выставлены по запросу

Результаты

Как мы считали метрики

У поиска есть технические метрики (доля отказов, доля пустых выдач), продуктовые (доля успехов, доля переформулировок) и бизнес-метрики (конверсия, удержание, LTV). Продуктовые мы считали так:

Событие

Определение

Поиск

показ выдачи сразу после действия посетителя в поисковом виджете

Успех

после поиска посетитель открыл карточку квеста

Переформулировка

карточку не открыл, но изменил фильтры и посмотрел выдачу снова

Другое

не открыл карточку и не менял фильтры

Поисковая сессия — события одного посетителя; пауза больше 30 минут начинает новую сессию.

37% поисков заканчиваются карточкой квеста

Исходы поиска

Исходы поиска

Успехом заканчиваются 37% поисков, переформулировкой — 52%, оставшиеся 11% — ни тем, ни другим. Переформулировка не обязательно провал: человек посмотрел выдачу и донастраивает запрос.

Много это или мало? По внутренним сравнениям — хорошо. Для внешнего ориентира есть открытые данные больших поисков.

Доля переформулировок у нас, в Яндексе и eBay

Доля переформулировок у нас, в Яндексе и eBay

В публичных исследованиях Яндекса 2009–2014 годов повторный запрос содержали 42–49% сессий. В eBay больше половины запросов входят в цепочки переформулировок (Hirsch и соавторы, SIGIR 2020). Три источника считают метрику по-разному: поиски, сессии, запросы. Поэтому сравнивать можно порядок величин, а не точные проценты. По порядку величин мы там же, где большие поиски.

Кому гибрид полезнее всего

Сильнее всего конверсия растёт в небольших сегментах. Большинству наших посетителей нужны страшные квесты и перформансы, и выдача по умолчанию их устраивала. Но есть 11–17% людей, которым страх безразличен или не нужен; как правило, они хотят приключения или детективы. Гибридный поиск распознаёт их за пару действий и сразу показывает подходящее.

Как похожие задачи решают большие компании

Мировой опыт

Мировой опыт
  • Pinterest, 2014. Guided Search: к запросу добавляются кликабельные уточнения, собранные из логов поиска и описаний пинов. Результат — плюс 25% поисков на человека.

  • Instacart, 2025. LLM выделяет из запроса товар, бренд и атрибуты. Частые запросы берутся из кеша, редкие обрабатывает дообученная Llama 3 8B примерно за 300 мс. Жалоб на плохую выдачу стало вдвое меньше.

  • Airbnb, 2026. Поиск на естественном языке вроде «тихое жильё для удалённой работы». Холодный старт закрыли примерно 500 опросами пользователей и синтетическими запросами от LLM; для оценки качества генерируют около 10 000 синтетических запросов в день.

  • Исследования. Furnas и соавторы (1987) показали, что в 80% случаев разные люди называют одно и то же разными словами. По данным Baymard (2014), 60% из топ-50 магазинов США не понимали тематических запросов вроде «весенняя куртка».

Приёмы те же: частотные подсказки, LLM-классификаторы, естественный язык. Разница в данных. У техногигантов миллионы товаров и миллионы пользователей, подсказки можно собрать из логов. У нас нишевой агрегатор и три тысячи квестов, логов для этого мало. Поэтому пришлось идти через опрос покупателей и дерево.

Что забрать с собой

Итоги

Итоги
  1. Если нет данных о пользователях — спросите их сами. Опрос тех, кто уже купил, даёт размеченный датасет.

  2. Большие анкеты превращаются в короткие сценарии с помощью машинного обучения: 120 галочек сжимаются до трёх-пяти кликов.

  3. Не заставляйте пользователей думать на языке ваших категорий. Дайте им писать текст самим и научитесь его понимать.

Гибридный поиск работает на mir-kvestov.ru, попробовать можно прямо сейчас. Там же в чате отвечает наш ИИ-помощник Квестоша, о нём я писал в предыдущей статье.

Мы благодарим фонд Сколково за поддержку инновационных проектов и научных исследований в компании. Вопросы про анкеты, дерево и классификаторы задавайте в комментариях.

Автор: Ipukhov

Источник