Рынок Etsy предлагает разнообразные изделия ручной работы и уникальные продукты, что требует тонкого понимания для эффективного поиска и рекомендаций. Текущая информация о продуктах, хотя и богата, часто неструктурирована, и моделям машинного обучения сложно использовать ее в полной мере. Основная задача заключается в преодолении разрыва между необработанными данными и сложными деталями, определяющими привлекательность каждого продукта. Решение включает в себя использование подхода обучения с подкреплением и контрастного сигнала. Метод тонко настраивает LLM для создания кратких описаний продуктов, подчеркивающих отличительные особенности, используя данные о взаимодействии покупателей. Это достигается путем обучения модели расставлять приоритеты деталей на основе выбора покупателей, улучшая прогнозы релевантности. Модель обучается на данных о взаимодействии при поиске, вознаграждая описания, которые выделяют особенности, побудившие покупателя выбрать одно объявление, а не другое. Это обучение с подкреплением побуждает модель создавать описания, которые приводят к улучшению показателей релевантности поиска. Оценки, проведенные людьми, и количественное автономное тестирование продемонстрировали высокое качество описаний и их влияние на последующие модели, повышая производительность. Подход фокусируется на понимании продуктов на основе поведения покупателей, а не жестких определений, отражая творчество продавцов. Улучшенное понимание продукта в конечном итоге помогает покупателям находить продукты, которые соответствуют их вкусам, тем самым улучшая процесс покупок. Полученные краткие описания выделяют ключевые характеристики, которые отличают объявления аналогичных продуктов. Проект продемонстрировал высокую способность выявлять важные детали продукта по сравнению с использованием только простых текстовых функций, таких как ключевые слова.