Mithilfe von Bewertungen ein funktionierendes Empfehlungssystem erstellen

Wenn Sie schon einmal ein Produkt online gekauft haben und sich über die Albernheit und Nichtanwendbarkeit der „verwandten Artikel“ gewundert haben, die den Kauf- und After-Sales-Prozess heimsuchen, wissen Sie bereits, dass populäre und Mainstream-Produkte Empfehlungssysteme neigen dazu, die Beziehungen zwischen potenziellen Käufen nicht zu verstehen.

Wenn Sie einen unwahrscheinlichen und seltenen Artikel wie einen Backofen kaufen, sind Empfehlungen für andere Öfen wahrscheinlich überflüssig, auch wenn die Empfehlungssysteme am schlechtesten sind versäume es, dies anzuerkennen. In den 2000er Jahren beispielsweise löste das Empfehlungssystem von TiVO eine frühe Kontroverse in diesem Sektor aus, indem Neuzuordnung der wahrgenommenen Sexualität eines Benutzers, der anschließend versuchte, sein Benutzerprofil durch die Auswahl von Kriegsfilmen zu „remaskulinisieren“ – ein grober Ansatz zur Algorithmus-Revision.

Schlimmer noch: Sie müssen nicht einmal etwas bei (zum Beispiel) Amazon kaufen oder tatsächlich mit dem Anschauen eines Films beginnen, dessen Beschreibung Sie auf einer der großen Streaming-Plattformen durchsuchen, um informationshungrig Empfehlungsalgorithmen führen dazu, dass sie fröhlich den falschen Weg einschlagen; Suchvorgänge, Verweilen und Klicks auf den Detailseiten reichen aus, und diese spärlichen (und wahrscheinlich falschen) Informationen werden wahrscheinlich auch bei zukünftigen Browsersitzungen auf der Plattform erhalten bleiben.

Ich versuche, ein Empfehlungssystem zum Vergessen zu bringen

Manchmal ist es möglich, einzugreifen: Netflix bietet ein „Daumen hoch/runter“-System, das theoretisch seinen Algorithmen für maschinelles Lernen helfen sollte, bestimmte eingebettete Konzepte und Wörter aus Ihrem Empfehlungsprofil zu entfernen (obwohl seine Wirksamkeit wurde befragt, und es bleibt viel einfacher, einen personalisierten Empfehlungsalgorithmus von Grund auf zu entwickeln als es darum geht, unerwünschte Ontologien zu entfernen), während Amazon es Ihnen erlaubt Titel entfernen aus Ihrer Kundenhistorie, wodurch alle unerwünschten Domains, die in Ihre Empfehlungen eingedrungen sind, herabgestuft werden sollten.

Hulu hat eine ähnliche Funktion, während HBO Max dies getan hat teilweise zurückgezogen von reinen Algorithmus-Empfehlungssystemen angesichts ihrer derzeitigen Mängel.

Keine dieser Erfahrungen auf rein verbraucherbezogener Ebene berührt auch nur die weitverbreitete und zunehmende Kritik an „passiven“ Empfehlungssystemen von Werbeplattformen (wo Es steht eine bemerkenswerte Veränderung an aufgrund des öffentlichen Zorns) oder das hetzerische Thema der Social-Media-KI-Empfehlungen, wo Websites wie YouTube, Twitter und Facebook weiterhin Kritik für irrelevante oder sogar schädliche Empfehlungen ertragen.

Die Maschine scheint nicht zu wissen, was wir wollen, es sei denn, wir wollen das nebenstehendes Element das bei unserer Suche aufgetaucht ist – auch wenn es sich bei diesem Artikel im Wesentlichen um ein Duplikat oder eine Alternative zum primären Artikel handelt, den wir möglicherweise gerade gekauft haben, und nicht um einen potenziellen Ergänzungs- oder Nebenkauf.

Genaue Empfehlungen mit Überprüfungsdaten

Eine neue Forschungskooperation aus China und Australien bietet eine neuartige Methode, um auf solche unpassenden Empfehlungen einzugehen, indem sie externe Benutzerbewertungen nutzt, um ein besseres Verständnis der tatsächlichen Beziehungen zwischen Artikeln in einer Einkaufssitzung zu gewinnen. In Tests übertraf die Architektur alle aktuellen State-of-the-Art-Methoden und lässt auf Empfehlungssysteme hoffen, die über eine bessere interne Abbildung der Abhängigkeiten von Elementen verfügen:

RI-GNN übertrifft die Hauptkonkurrenten hinsichtlich der Genauigkeit der Beziehungen zwischen Elementen und schneidet bei Sitzungen mit mehr als fünf Elementen am besten ab. Das System wurde anhand der Datensätze „Tierbedarf“ und „Filme und Fernsehen“ getestet Amazon-Rezensionsdaten (2018).  Quelle: https://arxiv.org/pdf/2201.12532.pdf

Darüber hinaus befasst sich das Projekt mit der bemerkenswerten Herausforderung, Empfehlungen auch in anonymen Sitzungen zu erstellen, in denen das Empfehlungssystem keinen Zugriff auf vom Benutzer bereitgestellte Details wie den Kaufverlauf oder die eigenen Online-Bewertungen des Benutzers zu früheren Käufen hat.

The new Krepppapier wird genannt Überdenken benachbarter Abhängigkeiten in sitzungsbasierten Empfehlungen, und stammt von Forschern der Qilu University of Technology und des Beijing Institute of Technology in China, der RMIT University in Melbourne und des Australian Artificial Intelligence Institute an der University of Technology Sydney.

Was kommt als Nächstes?

Die Kernaufgabe sitzungsbasierter Empfehlungen (SBR) besteht darin, den nächsten Artikel basierend auf der berechneten Beziehung zum aktuellen Artikel zu bestimmen. In der Praxis könnte dies beispielsweise als Liste „Ähnlicher Artikel“ auf einer Artikelseite für einen Vogelkäfig auf einer E-Commerce-Website dargestellt werden.

Wenn Sie einen Vogelkäfig kaufen, was brauchen Sie sonst noch? Nun, zumindest brauchen Sie einen Vogel, den Sie hineinsetzen können – das ist ein echte Abhängigkeit. Allerdings kommt der Vogelkäfig in der Ontologie vor Haustierartikel, wo Vögel nicht verkauft werden. Pervers, Katzenfutter steht in der gleichen Ontologie, obwohl das Anhängen eines Katzenfutternapfes als zugehörige Empfehlung für ein Vogelkäfigprodukt ein Problem darstellt falsche Abhängigkeit – eine falsche und fehlgeleitete Assoziation.

Aus dem Artikel: wahre und falsche Beziehungen zwischen mehreren Elementen, rechts dargestellt als Inter-Item-Diagramm.

Wie so oft in Architekturen des maschinellen Lernens ist es eine Herausforderung, ein Empfehlungssystem davon zu überzeugen, dass eine „entfernte“ Entität (Vogelarten kommt überhaupt nicht vor Heimtierprodukte) können eine intrinsische und wichtige Beziehung zu einem Artikel haben, während Artikel, die zur gleichen Kategorie gehören und in Funktion und zentralem Konzept sehr ähnlich sind (z. B Futternapf für Katzen), kann orthogonal sein oder dem in Betracht gezogenen Kauf direkt widersprechen.

Die einzige Möglichkeit, diese Zuordnungen zwischen „nicht benachbarten“ Entitäten zu erstellen, besteht darin, das Problem per Crowdsourcing zu lösen, da die betreffenden Beziehungen eine Facette der menschlichen Erfahrung sind, nicht programmgesteuert erraten werden können und wahrscheinlich über den erschwinglichen Rahmen herkömmlicher Ansätze zur Datensatzbeschriftung hinausgehen, wie z. B. Amazon Mechanischer Türke.

Daher haben die Forscher Mechanismen der natürlichen Sprachverarbeitung (Natural Language Processing, NLP) eingesetzt, um wichtige Wörter aus Produktbewertungen zu extrahieren. Außerdem haben sie Häufigkeiten aus diesen Analysen verwendet, um Einbettungen zu erstellen, die in der Lage sind, scheinbar weit voneinander entfernte Elemente „abzugleichen“.

Die Architektur für das Review-Refined Inter-item Graph Neural Network (RI-GNN).

Architektur und Daten

Wie in dem neuen Artikel angemerkt wird, wurde in früheren Arbeiten ähnlicher Art der Überprüfungsverlauf eines angemeldeten Benutzers ausgenutzt, um rudimentäre Zuordnungen bereitzustellen. DeepCONN und RNS Beide nutzten diesen Ansatz. Dabei wird jedoch außer Acht gelassen, dass ein Nutzer möglicherweise keine Bewertungen oder Bewertungen zu einem bestimmten Artikel verfasst hat, der „außerhalb seiner üblichen Kaufgewohnheiten“ liegt. Darüber hinaus handelt es sich um einen „White-Box“-Ansatz, da davon ausgegangen wird, dass der Nutzer bereits ausreichend mit dem Anbieter interagiert hat, um ein Konto zu erstellen und sich anzumelden.

Das von den Forschern vorgeschlagene erweiterte Graph Neural Network (GNN) verfolgt einen eher orakelgesteuerten Ansatz und leitet echte Abhängigkeiten ab a priori, sodass der anonyme und abgemeldete Benutzer vermutlich mit minimalem Eingabeaufwand relevantere Empfehlungen erhalten kann.

Das Review-erweiterte System trägt den Titel Review-verfeinertes Inter-Item-Graph-Neuronales Netzwerk (RI-GNN). Die Forscher haben es gegen zwei getestet Datensätze von Amazon, Haustierzubehör und Filme und Fernsehen. Obwohl dies das Problem der Verfügbarkeit von Bewertungen ziemlich gut löst, müsste eine Implementierung im freien Feld eine geeignete Bewertungsdatenbank finden und durchsuchen. Eine solche Datensatzquelle könnte theoretisch alles sein, von Beiträgen in einem sozialen Netzwerk bis hin zu Antworten auf Quora.

Beziehungszuordnungen dieser Art auf hoher Ebene wären außerdem für eine Reihe von Anwendungen des maschinellen Lernens wertvoll, die über Empfehlungssysteme hinausgehen. Viele aktuelle Projekte sind aufgrund der begrenzten Mittel und des begrenzten Umfangs durch das Fehlen einer Zuordnung zwischen und innerhalb von Domänen behindert, wohingegen der kommerzielle Impuls eines wirklich sachkundigen und Crowdsourcing-Empfehlungssystems diese Lücke möglicherweise schließen könnte.

Metriken und Tests

Die Autoren testeten RI-GNN mit zwei Versionen jedes Datensatzes. Jede Version enthält die Kaufhistorie eines Nutzers und allgemeine Produktbewertungen. Artikel, die weniger als fünfmal auftauchten, wurden entfernt und der Benutzerverlauf in Wocheneinheiten aufgeteilt. Die erste Datensatzversion umfasste alle Sitzungen mit mehr als einem Artikel, die zweite alle Sitzungen mit mehr als fünf Artikeln.

Das Projekt verwendete P@K (Präzision) und MRR@K (Mean Reciprocal Rank) für seine Bewertungsmetriken. Die getesteten Konkurrenzarchitekturen waren: S-KNN; GRU4Rec; S-POP; BRIEFMARKE; BERT4Rec; DHCN; GCE-GNN; SR-GNNeschriebenen Art und Weise; und NARM.

Das Framework wurde in Chargen von 100 Stück trainiert Marcus bei einer Lernrate von 0.001, wobei die Anzahl der Themen auf 24 bzw. 20 eingestellt ist Haustierzubehör und Filme und Fernsehen.

Erstveröffentlichung am 1. Februar 2022.