Mit Bewertungen ein Empfehlungssystem erstellen, das funktioniert

Wenn Sie schon einmal online ein Produkt gekauft und sich über die Unsinnigkeit und Unzulänglichkeit der “ähnlichen Artikel” gewundert haben, die den Kauf- und Nachkaufprozess begleiten, verstehen Sie bereits, dass populäre und mainstream-Empfehlungssysteme oft in Bezug auf das Verständnis der Beziehungen zwischen potenziellen Käufen versagen.

Wenn Sie ein ungewöhnliches und seltenes Produkt wie einen Ofen kaufen, sind Empfehlungen für andere Öfen wahrscheinlich überflüssig, obwohl die schlechtesten Empfehlungssysteme dies nicht erkennen. In den 2000er Jahren verursachte beispielsweise das Empfehlungssystem von TiVO einen frühen Skandal in diesem Bereich, indem es die wahrgenommene Sexualität eines Benutzers neu zuordnete, der daraufhin versuchte, sein Benutzerprofil durch die Auswahl von Kriegsfilmen zu “remasculinisieren” – ein primitives Verfahren zur Algorithmus-Revision.

Schlimmer noch, Sie müssen nicht einmal etwas bei (z.B.) Amazon kaufen oder einen Film ansehen, dessen Beschreibung Sie auf einer großen Streaming-Plattform durchsuchen, damit informationshungrige Empfehlungsalgorithmen den falschen Weg einschlagen; Suchanfragen, Verweilzeiten und Klicks auf die “Details”-Seiten reichen aus, und diese dürftige (und wahrscheinlich falsche) Information wird wahrscheinlich in zukünftigen Browsing-Sitzungen auf der Plattform fortgesetzt.

Versuch, ein Empfehlungssystem zum Vergessen zu bringen

Manchmal ist es möglich, einzugreifen: Netflix bietet ein “Daumen hoch/runter”-System, das seiner Maschinenlern-Algorithmik helfen sollte, bestimmte in die Empfehlungen eingebettete Konzepte und Wörter zu entfernen (obwohl seine Effektivität in Frage gestellt wurde und es viel einfacher ist, einen personalisierten Empfehlungsalgorithmus von Grund auf zu entwickeln als unerwünschte Ontologien zu entfernen), während Amazon es Ihnen ermöglicht, Titel aus Ihrer Kundenhistorie zu entfernen, was unerwünschte Domänen, die in Ihre Empfehlungen eingedrungen sind, herabstufen sollte.

Hulu hat eine ähnliche Funktion, während HBO Max teilweise von Algorithmus-Only-Empfehlungssystemen zurückgetreten ist, angesichts ihrer aktuellen Mängel.

Keine dieser strikt auf Verbraucher ausgerichteten Erfahrungen berührt auch nur die weit verbreitete und wachsende Kritik an “passiven” Werbeplattform-Empfehlungssystemen (wo beachtliche Änderungen aufgrund öffentlichen Unmuts erfolgen), oder das brandheiße Thema sozialer Medien-KI-Empfehlungen, wo Seiten wie YouTube, Twitter und Facebook weiterhin Kritik für nicht relevante oder sogar schädliche Empfehlungen einstecken.

Die Maschine scheint nicht zu wissen, was wir wollen, es sei denn, wir wollen das benachbarte Element, das in unserer Suche aufgetaucht ist – auch wenn dieses Element im Wesentlichen eine Duplizität oder Alternative zum primären Element ist, das wir möglicherweise gerade gekauft haben, anstatt ein potenzielles komplementäres oder sekundäres Kaufobjekt.

Genauere Empfehlungen mit Bewertungsdaten

Eine neue Forschungskooperation aus China und Australien bietet eine neuartige Methode, um solche unpassenden Empfehlungen anzugehen, indem sie externe Benutzerbewertungen nutzt, um ein besseres Verständnis der tatsächlichen Beziehungen zwischen Artikeln in einer Kaufsession zu erlangen. In Tests übertraf die Architektur alle aktuellen State-of-the-Art-Methoden und bietet Hoffnung für Empfehlungssysteme, die eine bessere interne Karte der Abhängigkeiten von Artikeln haben:

RI-GNN übertrifft wichtige Mitbewerber in Bezug auf die Genauigkeit der Beziehungen zwischen Artikeln und erzielt die besten Ergebnisse in Sitzungen mit mehr als fünf Artikeln. Das System wurde gegen die Pet Supplies- und Movies-and-TV-Datensätze aus Amazon Review Data (2018) getestet. Quelle: https://arxiv.org/pdf/2201.12532.pdf

Dabei wird auch die bemerkenswerte Herausforderung angegangen, Empfehlungen sogar in anonymen Sitzungen zu erstellen, in denen das Empfehlungssystem keinen Zugriff auf benutzerdefinierte Details wie Kaufhistorie oder die eigenen Online-Bewertungen des Benutzers hat.

Die neue Studie trägt den Titel Rethinking Adjacent Dependency in Session-based Recommendations 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 der University of Technology Sydney.

Was kommt als Nächstes?

Die Kernaufgabe der sessionbasierten Empfehlungen (SBR) besteht darin, das “nächste” Element anhand seines berechneten Verhältnisses zum aktuellen Element zu bestimmen. In der Praxis könnte dies als Liste “Ähnlicher Artikel” auf einer Artikelseite für einen Vogelkäfig auf einer E-Commerce-Website in Erscheinung treten.

Wenn Sie einen Vogelkäfig kaufen, was benötigen Sie sonst noch? Nun, Sie werden zumindest einen Vogel benötigen, um ihn hineinzusetzen – das ist eine wahre Abhängigkeit. Allerdings wird der Vogelkäfig in der Ontologie Haustierbedarf angezeigt, wo Vögel nicht verkauft werden. Perverserweise befindet sich Katzenfutter in derselben Ontologie, obwohl die Empfehlung einer Katzenfutter-Schüssel als zugehöriges Produkt für einen Vogelkäfig-Produkt eine falsche Abhängigkeit ist – eine fehlerhafte und irreführende Assoziation.

Aus der Studie: wahre und falsche Beziehungen zwischen mehreren Artikeln, visualisiert rechts als Inter-Item-Graph.

Wie so oft in maschinellen Lernarchitekturen ist es eine Herausforderung, ein Empfehlungssystem davon zu überzeugen, dass eine “entfernte” Entität (Vogel wird in Haustierbedarf überhaupt nicht erwähnt) eine inhärente und wichtige Beziehung zu einem Artikel haben kann, während Artikel, die in derselben Kategorie sind und sehr nahe in Funktion und zentralem Konzept (wie Katzenfutter-Schüssel), orthogonal oder direkt entgegengesetzt zum Kaufobjekt sein können, das in Betracht gezogen wird.

Die einzige Möglichkeit, diese Zuordnungen zwischen “nicht-benachbarten” Entitäten zu erstellen, besteht darin, das Problem zu crowdsourcen, da die in Frage stehenden Beziehungen ein Aspekt menschlicher Erfahrung sind, nicht programmgesteuert erraten werden können und wahrscheinlich über den finanziell tragbaren Rahmen herkömmlicher Ansätze zur Datensatz-Kennzeichnung, wie Amazon Mechanical Turk, hinausgehen.

Daher haben die Forscher Natural Language Processing (NLP)-Mechanismen eingesetzt, um wichtige Wörter aus Produktbewertungen zu extrahieren, und haben Häufigkeiten aus diesen Analysen verwendet, um Einbettungen zu erstellen, die offensichtlich entfernte Artikel “abgleichen” können.

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

Architektur und Daten

Wie die neue Studie feststellt, haben frühere Arbeiten ähnlicher Art die Kaufhistorie eines angemeldeten Benutzers ausgenutzt, um rudimentäre Zuordnungen zu erstellen. DeepCONN und RNS haben beide diesen Ansatz verwendet. Allerdings wird dabei die Tatsache außer Acht gelassen, dass ein Benutzer möglicherweise keine Bewertungen geschrieben oder keine Bewertungen zu einem bestimmten Artikel geschrieben hat, der außerhalb seiner üblichen Kaufgewohnheiten liegt. Darüber hinaus ist dies ein eher “weißer Kasten”-Ansatz, da angenommen wird, dass der Benutzer bereits ausreichend mit dem Outlet interagiert hat, um ein Konto zu erstellen und sich anzumelden.

Das erweiterte Graph Neural Network (GNN), das von den Forschern vorgeschlagen wird, verfolgt einen eher orakelgetriebenen Ansatz, indem es wahre Abhängigkeiten a priori ableitet, so dass der anonyme und abgemeldete Benutzer möglicherweise relevantere Empfehlungen mit minimalem Eingabeaufwand erleben kann.

Das review-ergänzte System trägt den Titel Review-refined Inter-item Graph Neural Network (RI-GNN). Die Forscher haben es gegen zwei Datensätze von Amazon getestet, Pet Supplies und Movies and TV. Obwohl dies das Problem der Verfügbarkeit von Bewertungen recht elegant löst, müsste eine Implementierung in der freien Wildbahn eine geeignete Bewertungsdatenbank finden und durchsuchen. Eine solche Datensatzquelle könnte theoretisch alles von Beiträgen in einem sozialen Netzwerk bis hin zu Antworten auf Quora umfassen.

High-Level-Beziehungsabbildungen dieser Art wären auch für eine Vielzahl von maschinellen Lernanwendungen jenseits von Empfehlungssystemen von Wert. Viele aktuelle Projekte sind durch den Mangel an inter- und intra-domänenbezogenen Abbildungen aufgrund begrenzter Mittel und Umfang eingeschränkt, während der kommerzielle Antrieb eines wirklich wissenden und crowdsourcierten E-Commerce-Empfehlungssystems diese Lücke potenziell schließen könnte.

Metriken und Tests

Die Autoren testeten RI-GNN gegen zwei Versionen jedes Datensatzes, von denen jeder aus der Kaufhistorie eines Benutzers und allgemeinen Bewertungen des Produkts besteht. Artikel, die weniger als fünf Mal erschienen, wurden entfernt, und die Benutzerhistorie wurde in Einheiten von einer Woche unterteilt. Die erste Datensatzversion umfasste alle Sitzungen mit mehr als einem Artikel, und die zweite alle Sitzungen mit mehr als fünf Artikeln.

Das Projekt verwendete P@K (Präzision) und MRR@K (mittlerer reziproker Rang) als Bewertungsmetriken. Getestete Rivale waren: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; und NARM.

Das Framework wurde in Chargen von 100 auf Adam mit einer Lernrate von 0,001 trainiert, wobei die Anzahl der Themen auf 24 bzw. 20 für Pet Supplies und Movies and TV festgelegt wurde.

Erstveröffentlichung: 1. Februar 2022.