Brug af anmeldelser til at oprette et anbefalingssystem, der fungerer

Hvis du nogensinde har købt en vare online og undret dig over den latterlige og ikke-relevante “relaterede varer”, der følger med købs- og salgsprocessen, forstår du allerede, at populære og mainstream anbefalingssystemer tendrer til at svigte i forhold til at forstå relationerne mellem potentielle køb.

Hvis du køber en usædvanlig og sjælden vare, såsom en ovn, er anbefalinger af andre ovne sandsynligvis overflødige, selvom de værste anbefalingssystemer fejler at anerkende dette. I 2000’erne skabte TiVO’s anbefalingssystem f.eks. en tidlig kontrovers i denne sektor ved at omdefinere en brugers påståede seksualitet, hvorefter brugeren forsøgte at “gen-masculinisere” sin brugerprofil ved at vælge krigsfilm – en grov tilgang til algoritme-revision.

Endnu værre er det ikke nødvendigt at købe noget som helst (f.eks. på Amazon ) eller begynde at se en film, hvis beskrivelse du er i gang med at se på en større streaming-platform, for at information-sultne anbefalingssystemer skal starte med at følge den forkerte vej; søgninger, dvælen og klik på “detaljer”-sider er nok, og denne knappe (og sandsynligvis forkerte) information vil sandsynligvis blive viderebragt over fremtidige browsesessioner på platformen.

Forsøg på at få et anbefalingssystem til at glemme

Indimellem er det muligt at gribe ind: Netflix tilbyder et “tommer op/ned”-system, der i teorien skal hjælpe med at fjerne visse indlejrede begreber og ord fra dine anbefalinger (selvom dets effektivitet er blevet spurgt, og det er langt lettere at udvikle en personlig anbefaling fra scratch end at fjerne uønskede ontologier), mens Amazon låter dig fjerne titler fra din kunde-historik, hvilket burde nedgradere enhver uvelkommen domæne, der har infiltreret dine anbefalinger.

Hulu har en tilsvarende funktion, mens HBO Max har delvist trukket sig tilbage fra algoritme-baserede anbefalingssystemer på grund af deres nuværende mangler.

Ingen af disse strikt forbruger-oplevelser berører overhovedet den omfattende og voksende kritik af “passive” reklame-platform-anbefalingssystemer (hvor bemærkelsesværdige ændringer er på vej på grund af offentlig vrede), eller den kontroversielle sag om sociale medier-AI-anbefalinger, hvor sider som YouTube, Twitter og Facebook fortsat udholder kritik for ikke-relevante eller endda skadelige anbefalinger.

Maskinen synes ikke at vide, hvad vi ønsker, medmindre vi ønsker den tilstødende vare, der dukkede op i vores søgning – selv hvis denne vare i virkeligheden er en kopi eller alternativ til den primære vare, vi lige har købt, snarere end en potentiel komplementær eller hjælpe-køb.

Præcise anbefalinger med anmeldelsesdata

Et nyt forskningssamarbejde mellem Kina og Australien tilbyder en ny metode til at løse sådanne ikke-relevante anbefalinger ved at bruge eksterne brugeranmeldelser til at opnå en bedre forståelse af de virkelige relationer mellem varer i en købssession. I tests overgik arkitekturen alle nuværende state-of-the-art-metoder og tilbød håb for anbefalingssystemer, der har en bedre intern kortlægning af varernes afhængigheder:

RI-GNN overgår store konkurrenter i nøjagtighed af relationer mellem varer, og fungerer bedst på sessioner med mere end fem varer. Systemet blev testet mod Pet Supplies og Movies and TV-databaserne fra Amazon Review Data (2018). Kilde: https://arxiv.org/pdf/2201.12532.pdf

For at nævne et andet aspekt løser projektet den bemærkelsesværdige udfordring med at oprette anbefalinger, selv i anonyme sessioner, hvor anbefalingssystemet ikke har adgang til brugerbidrag, såsom købshistorik eller brugerens egne online-anmeldelser af tidligere køb.

Den nye artikel hedder Rethinking Adjacent Dependency in Session-based Recommendations og kommer fra forskere ved Qilu University of Technology og Beijing Institute of Technology i Kina, RMIT University i Melbourne og Australian Artificial Intelligence Institute ved University of Technology Sydney.

Hvad kommer herefter?

Kerneprojektet med session-baserede anbefalinger (SBR) er at bestemme den “næste” vare ud fra den nuværende vare, baseret på dens beregnede relation til den nuværende vare. I praksis kan dette manifestere sig som en liste over “Relaterede varer” på en vare-side på en e-handels-websted.

Hvis du køber en fuglekage, hvad er du så sandsynligvis også i behov for? Nu er du i hvert fald i behov for en fugl at sætte i den – det er en sand relation. Men fuglekagen er en del af ontologien dyrevarer, hvor fugle ikke sælges. Pervers er kattefoder en del af samme ontologi, selvom tilføjelsen af en katte-foderring som en associeret anbefaling for en fuglekage-vare er en fals relation – en fejl og misforstået association.

Fra artiklen: sande og falske relationer mellem flere varer, visualiseret til højre som et inter-vare-diagram.

Som oftest er det en udfordring at overbevise et anbefalingssystem om, at en “fjern” enhed (fugl er ikke en del af dyreprodukter) kan have en indre og vigtig relation til en vare, hvorimod varer, der er i samme kategori og meget tæt på i funktion og central begreb (såsom katte-foderring), kan være ortogonale eller direkte modsat det køb, der overvejes.

Den eneste måde at oprette disse kortlægninger mellem “ikke-tilstødende” enheder på er at crowdsourcings-problemet, da relationerne i spørgsmål er en facette af menneskelig erfaring, ikke kan gættes programmeringsmæssigt og sandsynligvis er uden for den konventionelle tilgang til datasæt-mærkning, såsom Amazon Mechanical Turk.

Forskere har derfor anvendt Natural Language Processing (NLP)-mekanismer til at trække fremtrædende ord fra anmeldelser af en vare og har brugt frekvenser fra disse analyser til at oprette indlejring, der kan “matche” åbenbart fjerne varer.

Arkitekturen for Review-refineret Inter-vare-Neural-Netværk (RI-GNN).

Arkitektur og data

Som den nye artikel bemærker, har tidligere værker af lignende natur udnyttet en loggede brugers egen anmeldelseshistorik til at give rudimentære kortlægninger. DeepCONN og RNS brugte begge denne tilgang. Men dette ser bort fra, at en bruger måske ikke har skrevet nogen anmeldelser eller nogen anmeldelser, der er relevante for en bestemt vare, der er “uden for rækkevidde” af deres normale købsvaner. Dette er desuden en “hvid kasse”-tilgang, da det antager, at brugeren allerede har engageret sig tilstrækkeligt med udgangspunktet til at oprette en konto og logge ind.

Den udvidede Graph Neural Network (GNN), der er foreslået af forskerne, tager en mere orakel-dreven tilgang, hvor sande afhængigheder a priori kan udledes, sådan at den anonyme og loggede bruger kan opleve mere relevante anbefalinger med minimalt input krævet.

Anmeldelses-forbedrede systemet er titlen Anmeldelses-forbedret Inter-vare-Neural-Netværk (RI-GNN). Forskerne har testet det mod to databaser fra Amazon, Dyrevarer og Film og TV. Selvom dette løser problemet med anmeldelses-tilgængelighed ret elegant, ville en implementering i det vilde kræve at finde og skrabe en passende anmeldelses-database. En sådan datasæt-kilde kunne i teorien være alt fra indlæg på et socialt netværk til svar på Quora.

Høj-niveau-relationer-kortlægninger af denne art ville desuden være værdifulde til en række maskinlærings-programmer ud over anbefalingssystemer. Mange nuværende projekter er hæmmet af manglende inter- og intra-domæne-kortlægning på grund af begrænsede midler og omfang, hvorimod den kommercielle impuls af et sandt kundskabs- og crowdsourcet e-handels-anbefalingssystem kunne potentielt udfylde denne lukke.

Mål og test

Forskerne testede RI-GNN mod to versioner af hver database, hver bestående af en brugers købshistorik og generelle anmeldelser af varen. Varer, der optrådte færre end fem gange, blev fjernet, og brugerens historik blev delt op i enheder på en uge. Den første database-version omfattede alle sessioner med mere end en vare, og den anden alle sessioner med mere end fem varer.

Projektet brugte P@K (Præcision) og MRR@K (Gennemsnitlig Reciprok Rang) til evaluering af mål. Rival-arkitekturer, der blev testet, var: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; og NARM.

Rammeværket blev trænet i batcher på 100 på Adam med en læringsrate på 0,001, med antallet af emner sat til 24 og 20, respektivt, for Dyrevarer og Film og TV.

Offentliggjort første gang den 1. februar 2022.