Article · IA & agents
Diversifier la récupération produit selon les préférences de l’utilisateur
PCap applique des plafonds de catégorie personnalisés dès la récupération, puis mesure leurs effets avec des expérimentations en ligne.
La diversité se décide avant le ranking
Une recommandation peut être pertinente tout en répétant toujours les mêmes catégories. Corriger cette concentration uniquement au ranking arrive parfois trop tard : le pool de candidats transmis au ranker est déjà biaisé. Le preprint PCap: Personalized Retrieval-Stage Diversity Capping in Facebook Marketplace déplace l’intervention à l’étape de récupération.
PCap estime une préférence de diversité par utilisateur à partir de l’entropie de ses clics récents. Les utilisateurs sont répartis en six buckets. Des plafonds par catégorie sont ensuite appliqués aux candidats issus de plusieurs sources et shards, avec des multiplicateurs différents selon le bucket.
Un plafond avec une boucle de réglage
Le système groupe les produits selon la taxonomie Facebook Product Taxonomy. Les plafonds limitent la domination d’un groupe tout en conservant un mécanisme d’over-fetch pour préserver le rappel. Les auteurs utilisent Parameter Tuning Sequence, une série d’expérimentations en ligne qui resserre progressivement l’enveloppe de paramètres.
Le réglage observé est « edge-heavy ». Les utilisateurs peu diversifiés reçoivent des plafonds plus souples, tandis que les utilisateurs très diversifiés reçoivent des plafonds plus stricts. Les buckets intermédiaires restent proches d’un multiplicateur neutre.
Ce que rapportent les auteurs
La première phase compare un plafonnement uniforme à l’absence de plafonnement. Elle augmente significativement les vues de produits de 0,3088 %, mais les clics de fiche, les conversations et les sessions ne progressent pas de façon significative. Dans la seconde phase, PCap comparé au plafonnement uniforme augmente significativement les vues de 0,2243 %, les clics de fiche de 0,2250 % et les sessions de 0,1708 %. Les interactions de messagerie progressent de 0,1109 % sans significativité rapportée ; la latence supplémentaire est de 0,8 ms.
La diversité de la page 2 et des suivantes baisse pour les buckets les moins diversifiés et augmente de 0,2469 % pour le bucket le plus diversifié. Ces chiffres proviennent d’A/B tests en ligne et dépendent de la population, de la taxonomie et de l’implémentation étudiées.
Lecture éditoriale
Le résultat rappelle qu’une contrainte de diversité a une signification différente selon l’utilisateur. Il montre aussi pourquoi il faut séparer exposition et engagement : montrer davantage de catégories ne garantit pas que les personnes trouvent davantage de valeur.
Pour une équipe qui manipule un catalogue, l’ordre d’application est critique. Il faut vérifier qu’un plafond ne supprime pas un item rare mais pertinent, suivre le rappel par source et mesurer la latence du chemin distribué. Les paramètres personnalisés doivent être auditables et réversibles, surtout lorsque les signaux de clic peuvent renforcer une boucle de recommandation.
Limites à garder
Le papier repose sur des A/B tests Facebook Marketplace et une taxonomie propriétaire. Les effets sont petits en pourcentage et ne prouvent pas une préférence individuelle parfaite. Le cold start, les catégories mal classées et les changements d’inventaire restent des sujets ouverts.
Source et périmètre
Source principale : arXiv:2609.16452v1 · PDF. Les effets d’A/B test sont attribués aux auteurs ; les conseils de gouvernance sont une interprétation éditoriale.