زاوية Anderson

لماذا لا يقدم الذكاء الاصطناعي توصيات أفضل للمنتجات؟

Martin Anderson
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةتقوم خوارزميات التصفية التعاونية بمعاقبة المستخدمين ذوي الاهتمامات المتخصصة بشكل منهجي…
عرض المزيد
  • تقوم خوارزميات التصفية التعاونية بمعاقبة المستخدمين ذوي الاهتمامات المتخصصة بشكل منهجي من خلال إعطاء الأولوية للعناصر الشائعة.
  • لا تزال نتفلكس وأمازون تعتمدان على التصفية التعاونية على الرغم من ميلها إلى إنتاج توصيات غير ذات صلة للمستخدمين غير التقليديين.
  • يمتلك المستخدمون غير المهتمين بالمحتوى الشائع ملفات تعريف أكبر ومع ذلك يتلقون توصيات أسوأ بسبب تحيز الشعبية.

إذا كنت مهتمًا بأشياء غير شائعة، فقد تكون نتائج بحثك عن المنتجات أقل ارتباطًا باهتماماتك من نتائج المستخدمين ذوي الاهتمامات السائدة لسببين: قد تكون حالة هامشية من حيث تحقيق الإيرادات، لا تُلبّى اهتماماتها إلا إذا كانت قدرتها الشرائية مرتفعة، مثل المنتجات والخدمات المتعلقة بـإدارة الثروات؛ أو قد تعتمد خوارزميات البحث على الترشيح التعاوني (CF)، الذي يفضّل اهتمامات الأغلبية.

ولأن الترشيح التعاوني أرخص وأكثر رسوخًا من خوارزميات وأطر أخرى قد تكون أقدر منه، فقد ينطبق السببان معًا.

تعطي نتائج البحث القائمة على CF الأولوية للعناصر التي يراها النظام شائعة بين «أشخاص يشبهونك»، بقدر ما يستطيع الإطار المضيف فهم نوع المستهلك الذي تمثله.

إذا كنت متحفظًا بشأن تقديم بيانات لبناء ملفك الشخصي، كعدم الضغط على أزرار الإعجاب في Netflix وخدمات الفيديو الأخرى، فمن المرجح أن يصنفك النظام بصورة عامة في تفاعلاتك الأولى، وأن تعكس توصياته الاتجاهات الأكثر شيوعًا.

في منصات البث، قد يعني ذلك التوصية ببرامج وأفلام رائجة حاليًا، مثل تلفزيون الواقع ووثائقيات تحقيقات القتل الجنائية، بصرف النظر عن اهتمامك بها. وبالمثل، قد تعرض منصات توصية الكتب أكثر الكتب مبيعًا حاليًا ومؤخرًا بصورة تبدو اعتباطية.

نظريًا، ينبغي أن يحصل حتى المستخدمون المتحفظون بشأن بياناتهم على نتائج أفضل بمرور الوقت، استنادًا إلى استخدامهم للنظام وما يبحثون عنه، إذ تتيح معظم أطر البحث قدرة محدودة على تعديل سجل الاستخدام.

أي لون يعجبك، ما دام أسود

لكن دراسة جديدة من النمسا ترى أن هيمنة الترشيح التعاوني على الترشيح القائم على المحتوى، الذي يسعى إلى تحديد العلاقات بين المنتجات بدل الاكتفاء بشعبيتها الإجمالية، وعلى المناهج البديلة الأخرى، تدفع أنظمة البحث نحو انحياز طويل الأمد للشعبية، فتُعرض النتائج الشائعة على مستخدمين قد لا تثير حماسهم.

وجدت الورقة أن غير المهتمين بالعناصر الشائعة يتلقون توصيات أسوأ بصورة ملحوظة من ذوي الاهتمام المتوسط أو المرتفع بها، وأن العناصر الشائعة تُوصى بها أكثر من غير الشائعة. وخلص الباحثون أيضًا إلى أن أصحاب الاهتمام المحدود بالعناصر الشائعة يميلون إلى امتلاك ملفات شخصية أكبر يمكن أن تحسن أنظمة التوصية، لو استطاعت الأنظمة التخلص من اعتمادها على مقاييس «القطيع».

توضح مقارنة الشعبية بتعقيد الملفات الشخصية أن المستخدمين ذوي الاهتمامات غير السائدة يوفرون محتوى أكثر يمكن لأنظمة التوصية تحليله؛ لكن عدم اتباعهم للاتجاهات الشائعة يجعل ذلك فرصة ضائعة.

توضح مقارنة الشعبية بتعقيد الملفات الشخصية أن المستخدمين ذوي الاهتمامات غير السائدة يوفرون محتوى أكثر يمكن لأنظمة التوصية تحليله؛ لكن عدم اتباعهم للاتجاهات الشائعة يجعل ذلك فرصة ضائعة. المصدر: https://arxiv.org/pdf/2203.00376.pdf

تحمل الورقة عنوان انحياز الشعبية في أنظمة توصية الوسائط المتعددة القائمة على الترشيح التعاوني، وأعدها باحثون من now-Center GmbH في غراتس وجامعة غراتس للتكنولوجيا.

المجالات المشمولة

استنادًا إلى دراسات سابقة تناولت قطاعات منفردة، مثل توصية الكتب، تبحث الورقة أربعة مجالات: الكتب الرقمية عبر بيانات BookCrossing، والأفلام عبر MovieLens، والموسيقى عبر Last.fm، والأنمي عبر MyAnimeList.

طبقت الدراسة أربع خوارزميات شائعة للترشيح التعاوني في أنظمة توصية الوسائط المتعددة (MMRS) على مجموعات بيانات قُسم مستخدموها إلى ثلاث فئات بحسب ميلهم إلى النتائج الشائعة: LowPop وMedPop وHighPop. ولكل مجموعة بيانات، اختيرت ثلاث مجموعات متساوية، تضم كل منها1,000 مستخدم، أي3,000 مستخدم إجمالًا، بميل منخفض أو متوسط أو مرتفع إلى العناصر الشائعة.

ويعلق المؤلفون على النتائج:

«وجدنا أن احتمال التوصية بعنصر من الوسائط المتعددة يرتبط بقوة بشعبيته، وأن المستخدمين الأقل ميلًا إلى الشعبية (LowPop) يتلقون توصيات أسوأ بدلالة إحصائية من ذوي الميل المتوسط (MedPop) أو المرتفع (HighPop) إلى العناصر الشائعة…»

«تُظهر نتائجنا أن المستخدمين قليلي الاهتمام بالعناصر الشائعة يميلون إلى امتلاك أكبر الملفات الشخصية، ومع ذلك يحصلون على أقل دقة في التوصيات. لذا يلزم إجراء مزيد من البحوث لتخفيف انحياز الشعبية في أنظمة توصية الوسائط المتعددة، على مستوى العنصر والمستخدم معًا.»

شملت الخوارزميات المقيمة نسختين من أقرب الجيران (KNN)، هما UserKNN وUserKNNAvg. ولا تُنتج الأولى متوسط تقييم للمستخدم والعنصر المستهدفين. كما اختُبرت نسخة غير سالبة من تحليل المصفوفات إلى عوامل (NMF)، إلى جانب خوارزمية CoClustering.

عامل بروتوكول التقييم مهمة التوصية بوصفها مسألة تنبؤ، وقاسها بمتوسط الخطأ المطلق (MAE)، باستخدام التحقق المتقاطع بخمسة أقسام بدل الاكتفاء بالتقسيم المعتاد80/20 بين بيانات التدريب والاختبار.

تشير النتائج إلى شبه حتمية انحياز الشعبية مع الترشيح التعاوني. ويبقى السؤال عما إذا كانت الشركات التي تساوي مليارات الدولارات وتدمج CF في خوارزميات بحثها ترى ذلك مشكلة أصلًا.

في مجموعات البيانات الأربع ومع أربع طرق شائعة للترشيح التعاوني، أظهرت النتائج أن العناصر الشائعة أرجح في التوصية من العناصر غير الشائعة.

في مجموعات البيانات الأربع ومع أربع طرق شائعة للترشيح التعاوني، أظهرت النتائج أن العناصر الشائعة أرجح في التوصية من العناصر غير الشائعة.

المخرج «السهل»

رغم تزايد استخدام الترشيح التعاوني بوصفه أحد مكونات استراتيجية بحث أوسع، فإنه يحتفظ بمكانة قوية في قطاع البحث، ويسهل فهم منطقه وربحيته المحتملة.

ينقل CF مهمة تقييم قيمة المحتوى إلى المستخدمين النهائيين، ويستخدم إقبالهم عليه مؤشرًا لقيمته وجاذبيته المحتملة للعملاء الآخرين. وهو، على سبيل التشبيه، خريطة للأحاديث المتداولة بين الزملاء في المكتب.

الترشيح القائم على المحتوى (CBF) أصعب، لكنه قد يقدم نتائج أكثر صلة. وفي مجال الرؤية الحاسوبية، تتزايد الأبحاث لتصنيف الفيديو ومحاولة استنباط المجالات والسمات والمفاهيم عالية المستوى، بتحليل الصوت والصورة في الأفلام والبرامج التلفزيونية.

أحد مشروعات السنوات الخمس السابقة التي تحاول استنباط سمات دلالية من محتوى الأفلام لتقديم توصيات أكثر ذكاءً وترابطًا.

أحد مشروعات السنوات الخمس السابقة التي تحاول استنباط سمات دلالية من محتوى الأفلام لتقديم توصيات أكثر ذكاءً وترابطًا. المصدر: https://arxiv.org/pdf/1701.00199.pdf

لكن هذا المسعى لا يزال حديثًا نسبيًا، ويرتبط بالتحدي الأوسع المتمثل في قياس المفاهيم والسمات عالية المستوى وعزلها والاستفادة منها في المعرفة المتخصصة.

من يستخدم الترشيح التعاوني؟

وقت كتابة المقال، ظل محرك توصيات Netflix كثير الانتقاد معتمدًا على مناهج متنوعة للترشيح التعاوني، مع تطبيق تقنيات مساندة في محاولات مستمرة لتقديم توصيات أكثر ملاءمة للمستخدم.

تطور محرك بحث Amazon من الترشيح التعاوني القائم على المستخدم إلى الترشيح بين العناصر، الذي يركز أكثر على سجل شراء العميل. وقد يؤدي ذلك إلى أخطاء من نوع آخر، مثل فقاعات الترشيح أو الإفراط في الاعتماد على بيانات قليلة. فلو اشترى عميل نادر الاستخدام لـAmazon (AMZN ) مجموعة أوبريتات لصديق محب للأوبرا، فقد لا توجد مشتريات أخرى كافية تعكس ذوقه الشخصي وتمنع هذه الهدية غير المعتادة من التأثير في توصياته اللاحقة.

يستخدم Facebook الترشيح التعاوني على نطاق واسع، بالتكامل مع مناهج أخرى، كما تستخدمه LinkedIn وYouTube وTwitter.

نُشر أول مرة في2 مارس2022.

كاتب في مجال تعلم الآلة، متخصص في توليد صور البشر. كان رئيسًا سابقًا لمحتوى البحث في Metaphysic.ai، حتى دمجه في Brahma.ai التابعة لـ DNEG.
الموقع الإلكتروني: martinanderson.ai
للتواصل: martin@martinanderson.ai