استخدام التعليقات لإنشاء نظام توصية يعمل

إذا كنت قد اشتريت منتجًا عبر الإنترنت وتبهرت بجهل وعدم ملاءمة عناصر “المتعلقة” التي تتعقبه في عملية الشراء والبيع، فمن المحتمل أن تفهم أن أنظمة التوصية الشائعة والمستخدمة على نطاق واسع غالبًا ما تفتقر إلى فهم العلاقات بين المشتريات المحتملة.

إذا اشتريت منتجًا غير محتمل وغير متكرر، مثل الفرن، فإن التوصيات الأخرى للفرن قد تكون زائدة عن الحاجة، على الرغم من أن أسوأ أنظمة التوصية تفشل في الاعتراف بذلك. في عام 2000، على سبيل المثال، Created TiVO نظام التوصية في وقت مبكر من هذا القبيل في هذا القطاع من خلال إعادة تعيين الجنس المتصور للمستخدم، الذي سعى بعد ذلك إلى “إعادة تشكيل” ملفه الشخصي من خلال اختيار أفلام الحرب – نهج قاسي لتعديل الخوارزمية.

الأمر أسوأ عندما لا تحتاج إلى شراء أي شيء على Amazon ، أو حتى البدء في مشاهدة فيلم يصف تفاصيله على منصة بث رئيسية، من أجل أن تبدأ خوارزميات التوصية الجائعة بالمعلومات في السير في الطريق الخطأ؛ البحث، والبقاء، والنقرات إلى صفحات “التفاصيل” كافية، ومن المحتمل أن يتم نشر هذه المعلومات القليلة (والتي قد تكون خاطئة) عبر جلسات التصفح المستقبلية على المنصة.

محاولة جعل نظام التوصية ينسى

في بعض الأحيان، يمكن للمرء أن يتدخل: يتيح Netflix نظام “إبهام لأعلى / لأسفل” الذي يجب أن يساعد خوارزميات التعلم الآلي على إزالة مفاهيم و كلمات معينة من ملف التوصية (على الرغم من أن فعالية قد تم استجوابها، وتبقى أكثر سهولة لتطوير خوارزمية توصية مخصصة من الصفر من إزالة Ontologies غير مرغوب فيها)، بينما يسمح Amazon بإزالة العناوين من سجل العميل، مما يجب أن يقلل من أي مجالات غير مرغوب فيها التي قد تكون اخترقت التوصيات.

يحتوي Hulu على ميزة مماثلة، بينما تراجع HBO Max جزئيًا عن أنظمة التوصية التي تعتمد فقط على الخوارزميات، في مواجهة قصورها الحالي.

لا تلمس أي من هذه التجارب على مستوى المستهلك حتى الخبرة الواسعة النطاق والمتزايدة لانتقاد أنظمة التوصية في منصات الإعلان “السلبي” (حيث يحدث تغيير ملحوظ بسبب غضب الجمهور)، أو موضوع حارق لآي تي توصيات الوسائط الاجتماعية، حيث تواجه مواقع مثل YouTube و Twitter و Facebook انتقادات لعدم صلة أو حتى التوصيات التالفة.

لا يبدو أن الآلة تعرف ما نريد، ما لم نريد العنصر “المجاور” الذي ظهر في بحثنا – حتى لو كان هذا العنصر في الأساس نسخة مكررة أو بديلة للعنصر الرئيسي الذي قد قمنا بشراءه للتو، بدلاً من شراء مكمل أو مساعد محتمل.

توصيات دقيقة مع بيانات المراجعة

يوفر مشروع بحثي جديد من الصين وأستراليا نهجًا جديدًا لمواجهة هذه التوصيات غير المناسبة، من خلال استخدام مراجعات المستخدمين الخارجية لتحقيق فهم أفضل للعلاقات الحقيقية بين العناصر في جلسة التسوق. في الاختبارات، تفوقت الهيئة على جميع الطرق الحالية المتميزة، ووفرت أملًا لأنظمة التوصية التي لديها خريطة داخلية أفضل للعلاقات بين العناصر:

للحصول علىRI-GNN outperforms major competitors in terms of accuracy of relationships between items, performing best on sessions with more than five items. The system was tested against the Pet Supplies and Movies and TV datasets from Amazon Review Data (2018). Source: https://arxiv.org/pdf/2201.12532.pdf

بالإضافة إلى ذلك، يعالج المشروع تحديًا كبيرًا يتمثل في إنشاء توصيات حتى في الجلسات المجهولة، حيث لا تتوفر نظام التوصية على تفاصيل مساهمة المستخدم، مثل تاريخ الشراء أو مراجعات المستخدم الخاصة لشراء سابقة.

يُدعى الورقة الجديدة Rethinking Adjacent Dependency in Session-based Recommendations، ويأتي من باحثين في جامعة Qilu للتكنولوجيا و معهد بكين للتكنولوجيا في الصين، و جامعة RMIT في ملبورن، و معهد أستراليا الاصطناعي في جامعة التكنولوجيا في سيدني.

ماذا يأتي بعد ذلك؟

المهمة الأساسية للتوصيات القائمة على الجلسة (SBR) هي تحديد “العنصر التالي” من العنصر الحالي، بناءً على علاقته الحسابية مع العنصر الحالي. في المصطلحات العملية، يمكن أن يظهر هذا على أنه قائمة “العناصر المتعلقة” في صفحة عنصر على موقع تجارة إلكترونية.

إذا كنت تشتري قفص طيور، ماذا قد تحتاج إليه؟ حسنًا، على الأقل ستحتاج إلى طائر لوضعها فيه – هذا اعتماد حقيقي. ومع ذلك، يتم تمثيل قفص الطيور في بضائع الحيوانات الأليفة، حيث لا تُباع الطيور. بشكل معاكس، يقع طعام القط في نفس العلاقة، على الرغم من أن إضافة وعاء طعام قط كتوصية مرتبطة بمنتج قفص طيور سيكون اعتمادًا خاطئًا – ارتباط خاطئ ومضلل.

كما هو الحال في كثير من الأحيان في هياكل التعلم الآلي، من التحديات إقناع نظام التوصية بأن كيانًا “مباعدًا” (الطيور لا تظهر على الإطلاق في منتجات الحيوانات الأليفة) قد يكون له علاقة داخلية ومهمة مع عنصر، بينما قد تكون العناصر التي تقع في نفس الفئة، وقريبة من الوظيفة والمفهوم المركزي (مثل وعاء طعام القط)، تكون عكسية أو معارضة مباشرة للشراء قيد النظر.

الطريقة الوحيدة لإنشاء هذه الخرائط بين “الكيانات غير المجاورة” هي من خلال إعادة توجيه المشكلة، منذ العلاقات المذكورة هي جانب من جوانب الخبرة البشرية، ولا يمكن تخمينها ببرنامج، وربما تتجاوز نطاق التكلفة والمجال للنهج التقليدية لتحديد بيانات مجموعة، مثل Amazon Mechanical Turk.

لذلك، استخدم الباحثون آليات معالجة اللغة الطبيعية (NLP) لاستخراج الكلمات البارزة من المراجعات لمنتج، واستخدموا الترددات من هذه التحليلات لإنشاء تضمين قادر على “مطابقة” عناصر تبدو بعيدة.

الهيكل والبيانات

كما يشير الورقة الجديدة إلى أن الأعمال السابقة المماثلة استغلت تاريخ المراجعة الخاص بالمستخدم المسجل لتقديم خرائط بدائية. استخدم DeepCONN و RNS هذا النهج. ومع ذلك، هذا ي 忽略 حقيقة أن المستخدم قد لا يكتب أي مراجعات، أو أي مراجعات ذات صلة بمنتج معين يقع “خارج نطاق” عادات شراءه المعتادة. بالإضافة إلى ذلك، هذا نهج “صندوق أبيض”، منذ أنه يفترض أن المستخدم قد تعامل بالفعل مع المنفذ بدرجة كافية لإنشاء حساب وتسجيل الدخول.

تمديد الشبكة العصبية الرسومية (GNN) المقترح من قبل الباحثين يأخذ نهجًا أكثر توجيهًا من قبل المعالج، حيث يستمد الاعتماد الحقيقي a priori، بحيث، على افتراض أن، المستخدم المجهول والمسجل يمكن أن يختبر توصيات أكثر صلة مع الحد الأدنى من المدخلات المطلوبة.

النظام المُحسَّن بالمراجعة يُطلق عليه Review-refined Inter-item Graph Neural Network (RI-GNN). قام الباحثون بتحديثه ضد قاعدتي بيانات من Amazon، Pet Supplies و Movies and TV. على الرغم من أن هذا يحل مشكلة توافر المراجعة بسهولة، فإن التنفيذ في البرية سيتطلب العثور على قاعدة بيانات مناسبة للمراجعات. يمكن أن تكون مصدر هذه القاعدة بيانات أي شيء من منشورات على شبكة اجتماعية إلى إجابات على Quora.

سوف تكون خرائط العلاقات على مستوى عالٍ من هذا القبيل قيمة ل许多 تطبيقات التعلم الآلي بخلاف أنظمة التوصية. العديد من المشاريع الحالية معاقة بسبب قلة الخرائط بين المجالات وخارجها بسبب التكلفة والمدى المحدود، بينما يمكن أن يملأ الحافز التجاري لنظام توصية إلكتروني حقيقي ومستند إلى الحشود هذا الفجوة.

المقاييس والاختبار

قام المؤلفون بتحديث RI-GNN ضد نسختين من كل قاعدة بيانات، كل منها يتكون من تاريخ شراء المستخدم ومراجعات عامة للمنتج. تم إزالة العناصر التي تظهر أقل من خمس مرات، وتم تقسيم تاريخ المستخدم إلى وحدات أسبوعية. تمت特色 القاعدة الأولى من جميع الجلسات التي تحتوي على أكثر من عنصر واحد، والثانية من جميع الجلسات التي تحتوي على أكثر من خمسة عناصر.

استخدم المشروع P@K (ال精度) و MRR@K (الترتيب العكسي الوسيط) لتقدير المقاييس. كانت الهياكل المنافسة التي تم اختبارها هي: S-KNN؛ GRU4Rec؛ S-POP؛ STAMP؛ BERT4Rec؛ DHCN؛ GCE-GNN؛ SR-GNN؛ و NARM.

تم تدريب الإطار في دفعات من 100 على Adam بمعدل تعلم 0.001، مع ضبط عدد المواضيع إلى 24 و 20، على التوالي، لـ Pet Supplies و Movies and TV.

تم نشره لأول مرة في 1 فبراير 2022.