لماذا لا توفر الذكاء الاصطناعي توصيات منتجات أفضل

إذا كنت مهتماً بأشياء غامضة، فهناك سببان لماذا بحثك عن عناصر ومنتجات قد يكون أقل صلة بمصالحك مقارنة بمصالح أقرانك “الرئيسيين”؛ إما لأنك حالة حافة تحقيق ربحية التي ستتم تلبية مصالحك فقط إذا كنت أيضًا في الفئات العليا من القوة الشرائية الاقتصادية (على سبيل المثال، المنتجات والخدمات المتعلقة بإدارة الثروة)؛ أو أن خوارزميات البحث التي تستخدمها تعتمد على الترشيح التعاوني (CF) ، الذي يفضل مصالح الأغلبية.

منذ أن يكون الترشيح التعاوني أرخص وأكثر تأسيسًا من الخوارزميات والإطارات الأخرى المحتملة القدرة على أكثر، فمن الممكن أن تكون كلتا الحالتين تنطبق.

سيتم تقديم نتائج البحث التي تعتمد على الترشيح التعاوني لأشياء يُعتقد أنها شائعة بين “أشخاص مثلك”، على أفضل ما يمكن لل_framework المضيف فهم ما نوع المستهلك أنت.

إذا كنت حذرًا من تقديم معلومات تعريف البيانات إلى نظام المضيف – على سبيل المثال، لا تميل إلى الضغط على أزرار “إعجاب” في خدمات المحتوى المرئي مثل نتفليكس – فمن المحتمل أن يتم تصنيفك بشكل عام في التفاعلات الأولى مع النظام، وستعكس التوصيات التي تتلقاها الاتجاهات الشائعة.

على منصة بث، قد يعني ذلك أن يتم تقديم برامج وأفلام حالية “ساخنة”، مثل برامج الواقع وأفلام القتل الشرعي، بغض النظر عن اهتمامك بهذه.同样 بالنسبة لمنصات توصية الكتب، التي تميل إلى تقديم أفضل الكتب مبيعًا الحالية والمؤخرة، على ما يبدو بشكل عشوائي.

في النظرية، يجب أن يحصل المستخدمون الذين يتحفظون في تقديم بيانات على نتائج أفضل في النهاية من هذه الأنظمة بناءً على كيفية استخدامهم لها وأشياء بحثهم، منذ أن تمنح معظم إطارات البحث للمستخدمين القدرة المحدودة على تحرير سجل استخدامهم.

أي لون تريد، طالما إنه أسود

然而، وفقًا لدراسة جديدة من النمسا، فإن سيادة الترشيح التعاوني على الترشيح القائم على المحتوى (الذي يبحث عن العلاقات بين المنتجات بدلاً من مجرد أخذ شعبية مجتمعة في الاعتبار)، والمناهج البديلة الأخرى، تميل أنظمة البحث إلى انحياز الشعبية طويلة الأمد، حيث يتم دفع النتائج الواضحة إلى المستخدمين الذين من غير المرجح أن يكونوا متحمسين لهم.

تجد الورقة أن المستخدمين الذين لا يهتمون بالعناصر الشائعة يتلقون توصيات “أقل بكثير” من المستخدمين الذين لديهم اهتمام متوسط أو عالٍ بالشعبية، وأن العناصر الشائعة يتم تقديمها أكثر تكرارًا من العناصر غير الشائعة. كما يخلص الباحثون إلى أن المستخدمين الذين لديهم اهتمام منخفض بالعناصر الشائعة تميل إلى أن يكون لديهم ملفات مستخدم أكبر يمكن أن تحسن من системы التوصية – إذا كان النظام يمكنه فقط التخلص من اعتماده على معايير “القطيع”.

تم تضمين خوارزميات متعددة في الدراسة، بما في ذلك خوارزمية الترشيح التعاوني (CF) و خوارزمية العوامل غير السالبة (NMF).

المناطق التي تغطيها

بناءً على الأعمال السابقة التي درست قطاعات فردية (مثل توصيات الكتب)، تدرس الورقة الجديدة أربعة مجالات: الكتب الرقمية (من خلال مجموعة بيانات BookCrossing)؛ الأفلام (من خلال مجموعة بيانات MovieLens)؛ الموسيقى (من خلال مجموعة بيانات Last.fm)؛ والأنمي (من خلال مجموعة بيانات MyAnimeList).

تم تطبيق أربعة خوارزميات شائعة لترشيح الوسائط المتعددة التعاونية (MMRS) على مجموعات بيانات مقسمة إلى ثلاث مجموعات مستخدمين، وفقًا لاستعدادهم لتقبل نتائج “شائعة”؛ LowPop و MedPop و HighPop.

أفاد الباحثون أن النتائج تظهر أن هناك انحيازًا قويًا نحو الشعبية في نتائج التوصية، وأن المستخدمين الذين لديهم اهتمام منخفض بالعناصر الشائعة يتلقون توصيات أقل دقة.

الطريقة السهلة للمغادرة

على الرغم من أن الترشيح التعاوني يُستخدم بشكل متزايد كجزء من استراتيجية خوارزمية بحث أوسع، إلا أنه لا يزال له تأثير قوي في قطاع البحث، وسهل الفهم.

بمعنى آخر، يتنازل الترشيح التعاوني عن مهمة تقييم قيمة المحتوى إلى المستخدمين النهائيين، ويتبع استخدامهم للمحتوى كدليل لقيمته وجاذبيته المحتملة للعملاء الآخرين.

الترشيح القائم على المحتوى أكثر صعوبة، ولكنه قد يوفر نتائج أكثر صلة.

من يستخدم الترشيح التعاوني؟

في الوقت الحالي، لا يزال محرك التوصية في نتفليكس يعتمد على الترشيح التعاوني، ويستخدم تقنيات أخرى لتحسين التوصيات.

كما يستخدم أمازون و فيسبوك و لينكد إن و يوتيوب و تويتر الترشيح التعاوني في أنظمتهم.

تم نشر هذه المقالة لأول مرة في 2 مارس 2022.