Дубовой: Верба - векторный умный поиск товаров через нейросети

Как работает поиск, который понимает смысл, а не только буквы

Обычный поиск в интернет-магазине часто даёт сбой, если покупатель вводит запрос не так, как записано в каталоге. Опечатки, транслит, бытовые названия или просто описание задачи своими словами — всё это приводит к пустым результатам. Модуль «Дубовой: Верба» решает эту проблему иначе. Вместо того чтобы полагаться только на точное совпадение слов, он использует многослойный подход. Сначала отрабатывает точный слой: поиск по названию, артикулу, бренду, цене и наличию. Если запрос чёткий — покупатель сразу видит нужный товар. Но если формулировка неточная, в дело вступают следующие уровни обработки. Модуль исправляет опечатки, учитывает раскладку клавиатуры и разные формы слов. А затем подключается смысловой слой — векторный поиск, который сравнивает не слова, а значения. Это позволяет находить товары, даже если человек использует не те термины, что указаны в карточке.

Векторный поиск и нейросети: как это повышает конверсию

Главная особенность «Вербы» — она переводит и запрос покупателя, и описания товаров в особое смысловое представление (векторы). Затем система сравнивает, насколько они близки по смыслу. Например, человек может искать «тёплые носки для зимы», а в каталоге товар называется «носок шерстяной утеплённый». Обычный поиск может не найти совпадения. Векторный слой понимает, что речь об одном и том же, и показывает релевантный результат. Для сложных и длинных запросов качество выдачи дополнительно усиливает нейросеть. Она уточняет верхнюю часть списка, поднимая наверх действительно подходящие позиции. Модуль поддерживает российскую нейросеть от Яндекса и международную от OpenAI. В результате магазин получает меньше пустых поисков, а покупатель быстрее находит то, что ему нужно. Это напрямую влияет на конверсию и удовлетворённость клиентов.

Без ручного справочника синонимов: экономия времени и ресурсов

Многие «умные» поисковые решения требуют постоянного ведения справочника синонимов. Владельцу магазина приходится вручную угадывать, как покупатель назовёт тот или иной товар, и добавлять новые варианты. Это трудоёмкий процесс, который нужно постоянно поддерживать. «Верба» избавляет от этой рутины. Векторный поиск автоматически расширяет понимание запросов за счёт смыслового сопоставления. Модуль сам находит связи между разными формулировками без участия человека. Это не только экономит время, но и делает поиск более гибким. Система не ограничена заранее заложенными вариантами — она способна понять новый, нестандартный запрос, с которым обычный поиск не справился бы. Такой подход масштабируется без дополнительных трудозатрат: чем больше товаров в каталоге, тем заметнее преимущество.

Поведенческий слой: поиск, который учится на продажах

«Верба» не просто ищет товары по смыслу — она анализирует, какие позиции действительно покупают. В модуль встроен поведенческий слой, который учитывает статистику кликов и конверсий. Если на какой-то товар чаще переходят и его чаще покупают по определённому запросу, система мягко поднимает его выше в выдаче. Это значит, что поиск начинает работать не только на релевантность, но и на продажи. Со временем выдача становится точнее, потому что модуль учитывает реальное поведение пользователей. Такой подход особенно полезен для товаров с похожими характеристиками: наверх попадают те, которые действительно востребованы. Магазин получает не просто «умный» поиск, а инструмент, который помогает увеличивать выручку без дополнительных вложений в рекламу.

Экономичный старт без лишних затрат на инфраструктуру

Для запуска «Вербы» не требуется сразу вкладывать деньги в дорогие внешние сервисы. Модуль использует Qdrant Cloud — векторную базу данных, которая хранит смысловые представления товаров. Сервис предоставляет бесплатное место в хранилище, которого на практике часто хватает для каталога до 100 000 товаров. Для превращения текста в векторы используется Yandex Cloud Embeddings. Новым аккаунтам Яндекс даёт стартовый грант — обычно от 4 000 рублей, а в некоторых случаях больше. Этого достаточно, чтобы запустить модуль и оценить его работу без немедленных расходов. Такой подход позволяет протестировать технологию на реальных запросах и только потом, при необходимости, расширять возможности. Вы получаете современный поиск с минимальными начальными вложениями.