Entrenamiento y generación de embeddings para la recomendación de propiedades en un marketplace inmobiliario

Abstract

Los sistemas recomendadores son algoritmos que predicen o personalizan los ítems de un usuario en base a sus preferencias de un determinado producto. En el rubro inmobiliario, la implementación de estos sistemas debe cumplir los requerimientos del usuario para concretar la conversión del ítem pero considerando que la retroalimentación por parte de este es escasa, lo cual dificulta el entrenamiento y validación del sistema para entregar recomendaciones precisas. Este proyecto fue realizado en la empresa Goplaceit, una plataforma tecnológica con amplia gama de anuncios inmobiliarios para arriendo o venta de propiedades por personas naturales o profesionales del rubro. El presente trabajo consiste en generar representaciones basadas en embeddings, calculados a partir de la actividad de los usuarios en el sitio, para ser utilizados en un contexto de recomendación de propiedades, denominado modelo de asistencia inmobiliaria, que recibe información de un usuario con un conjunto de propiedades y las ordena de forma decreciente según el interés de este. Para la generación de los embeddings se requiere de sesiones de clicks a propiedades realizadas por los usuarios para luego entrenar una red neuronal que toma como entrada y salida distintos pares obtenidos de la actividad de los usuarios en el sitio. De esta red, se obtiene una capa de pesos para calcular los embeddings que representan a las propiedades, y por otro lado, para representar a los usuarios como un promedio de sus últimas visitas a propiedades. Finalmente, se utilizan estas representaciones en una API que permite ordenar un conjunto de propiedades candidatas para un cierto usuario. A pesar de que actualmente el asistente inmobiliario no está disponible para uso comercial por disposición de la empresa involucrada, se cumplieron los objetivos propuestos en el plazo establecido.