Käyttäen arvosteluita luomaan suosittelujärjestelmä, joka toimii

Jos olet koskaan ostanut tuotteen verkossa ja ihmetellyt “liittyvien tuotteiden” tarkoituksen, jotka vaivaavat ostoprosessia ja sen jälkeen, ymmärrät jo, että suositukset perustuvat usein väärään ymmärrykseen potentiaalisten ostosten välisistä suhteista.

Jos ostat epätodennäköisen ja harvoin ostetun tuotteen, kuten uunin, suositukset muille uuneille ovat todennäköisesti turhia, vaikka huonot suosittelujärjestelmät eivät tunnusta tätä. 2000-luvulla, esimerkiksi, TiVO:n suosittelujärjestelmä loi kohun tällä alalla uudelleenmäärittelemällä käyttäjän seksuaalisen suuntautumisen, minkä jälkeen käyttäjä yritti “uudelleenmäärätellä” käyttäjäprofiilinsa valitsemalla sotaelokuvia – karkea lähestymistapa algoritmien tarkistamiseen.

Worse yet, sinun ei tarvitse ostaa mitään (esimerkiksi Amazonissa) tai edes aloittaa elokuvan katselua, jonka kuvaus olet selannut suuressa suoratoistopalvelussa, jotta tietopohjaiset suosittelualgoritmit alkavat menemään väärään suuntaan; hakut, viivästykset ja napsautukset “yksityiskohtaisiin” sivuihin riittävät, ja tämä niukka (ja luultavasti väärä) tieto on todennäköisesti periytetty tuleviin selausistuntoihin palvelussa.

Yrittäessä tehdä suosittelujärjestelmästä unohtava

Joskus on mahdollista puuttua asiaan: Netflix tarjoaa “peukku ylös/alas” -järjestelmän, joka teoriassa auttaa sen koneoppimisalgoritmeja poistamaan tiettyjä käsitteitä ja sanoja suositteluprofiilistasi (vaikka sen tehokkuutta on kyseenalaistettu, ja se on paljon helpompi kehittää henkilökohtainen suosittelualgoritmi alusta alkaen kuin poistaa ei-toivottuja ontologioita), kun taas Amazon antaa sinun poistaa otsikot asiakasistasi, mikä pitäisi laskea epätoivottujen aiheiden prioriteettia suosituksissa.

Huluilla on vastaava ominaisuus, kun taas HBO Max on osittain perääntynyt algoritmipohjaisista suosittelujärjestelmistä niiden nykyisten puutteiden vuoksi.

Nämä kuluttajatasolla olevat kokemukset eivät edes koske laajaa ja kasvavaa kritiikkiä “passiivisista” mainosalustojen suosittelujärjestelmistä (joissa merkittäviä muutoksia on tulossa julkisen vastalauseen vuoksi), tai sosiaalisen median AI-suositusten kiistää aiheita, joissa sivustot kuten YouTube, Twitter ja Facebook jatkavat kritiikkiä epäolennaisista tai jopa vahingollisista suosituksista.

Kone ei tunnu tietävän, mitä haluamme, ellei haluamme viereisen kohteen, joka tuli esiin haussa – vaikka tuo kohde on käytännössä duplikaatti tai vaihtoehto ensisijaiselle kohteelle, jonka juuri ostit, eikä potentiaalinen komplementaarinen tai apulainen ostos.

Tarkat suositukset arvosteluiden avulla

Kiinalais-Australialainen tutkimusyhteistyö tarjoaa uuden menetelmän tarkoituksiin, käyttäen ulkoisia käyttäjien arvosteluita paremman ymmärryksen saamiseksi todellisista suhteista ostosessiossa. Testien mukaan arkkitehtuuri ylitti kaikki nykyiset valtavirtatutkimukset, tarjoten toivoa suosittelujärjestelmille, joilla on parempi sisäinen kartta kohteiden riippuvuuksista:

RI-GNN ylittää suurimmat kilpailijansa kohteiden välisen suhteen tarkkuudessa, suoriutuen parhaiten yli viisi kohdetta sisältävissä istunnoissa. Järjestelmää testattiin Amazon Review Data -tietokantoja (2018) vastaan, kuten Pet Supplies ja Movies and TV. Lähde: https://arxiv.org/pdf/2201.12532.pdf

Tämä projekti käsittelee myös haasteen luoda suosituksia jopa anonyymeissä istunnoissa, joissa suosittelujärjestelmällä ei ole pääsyä käyttäjän antamiin tietoihin, kuten ostohistoriaan tai käyttäjän omiin aiempien ostosten arvosteluihin.

Tämä uusi julkaisu on nimeltään Rethinking Adjacent Dependency in Session-based Recommendations, ja se tulee tutkijoilta Qilu University of Technology ja Beijing Institute of Technology Kiinasta, RMIT University Melbournesta, ja Australian Artificial Intelligence Institute University of Technology Sydneystä.

Mitä seuraavaksi?

Istunnossa perustuvien suositusten (SBR) ydin tehtävä on määrittää “seuraava” kohde nykyisestä kohteesta, sen laskettujen suhteiden perusteella. Käytännössä tämä voi ilmetä “liittyvien kohteiden” luettelona tuotteen sivulla verkkokaupassa.

Jos ostat linnunhäkin, mitä muuta sinun on todennäköisesti tarve? No, ainakin sinun on tarve linnun laittaa siihen – se on oikea riippuvuus. Kuitenkin linnunhäkki on lemmikkien tavaroiden ontologiassa, jossa linnut eivät ole myynnissä. Perverssimmin, kissaruoka on samassa ontologiassa, vaikka kissanruoanliittymän liittäminen linnunhäkin tuotteen suosituksiin on väärä riippuvuus – virheellinen ja harhaanjohtava yhdistäminen.

Julkaisusta: oikeat ja väärät suhteet useiden kohteiden välillä, visualisoitu oikealla inter-kohteiden graafina.

Kuten usein on tapahtunut koneoppimisarkkitehtuureissa, on haasteellista vakuuttaa suosittelujärjestelmä siitä, että “etäinen” entiteetti (lintu ei esiinny lainkaan lemmikkien tuotteissa) voi olla intrinsic ja tärkeä suhde kohteeseen, kun taas kohteet, jotka ovat samassa kategoriassa ja lähellä toiminnassa ja keskeisessä käsitteessä (kuten kissanruokinta-astia), voivat olla ortogonaalisia tai suorasti vastakkaisia ostokseen, jota tarkastellaan.

Ainoa tapa luoda nämä kartat “ei-vierekkäisille” entiteeteille on joukkorahoittaa ongelma, koska kyseessä olevat suhteet ovat inhimillisen kokemuksen ulottuvilla, eivätkä ne voida arvata ohjelmallisesti, ja ne ovat luultavasti konventionaalisten lähestymistapojen dataset-merkintöjen, kuten Amazon Mechanical Turk, kustannusten ja laajuuden ulottumattomissa.

Siksi tutkijat ovat käyttäneet luonnollisen kielen prosessointimenetelmiä poistamaan merkittäviä sanoja tuotteen arvosteluista, ja ovat käyttäneet näiden analyysien taajuuksia luomaan upotukset, jotka voivat “sovittaa” näennäisesti etäisiä kohteita.

Arkkitehtuuri Review-refined Inter-item Graph Neural Network (RI-GNN).

Arkkitehtuuri ja data

Kuten uusi julkaisu toteaa, aiemmat samankaltaiset työt ovat hyödyntäneet kirjautuneen käyttäjän omia arvosteluja perustamaan alkeelliset kartat. DeepCONN ja RNS käyttivät tätä lähestymistapaa. Kuitenkin tämä jättää huomiotta sen, että käyttäjä ei välttämättä ole kirjoittanut arvosteluja tai arvosteluja, jotka ovat merkityksellisiä tiettyyn kohteeseen, joka on “ulottumattomissa” heidän normaaleista ostotottumuksistaan. Lisäksi tämä on jonkinlainen “valkoinen laatikko” -lähestymistapa, koska se olettaa, että käyttäjä on jo riittävästi käyttänyt palvelua luodakseen tilin ja kirjautuakseen sisään.

Laajennettu Graafinen Neuroverkko (GNN) ehdottaa tutkijoilta enemmän oraakkelipohjaista lähestymistapaa, jossa todelliset riippuvuudet johdetaan a priori, jotta anonyymi ja kirjautumaton käyttäjä voi kokea relevantimmat suositukset vähäisellä syötöllä.

Arvostelupohjainen järjestelmä on nimeltään Review-refined Inter-item Graph Neural Network (RI-GNN). Tutkijat ovat testanneet sitä kahden Amazonin tietokannan kanssa, Pet Supplies ja Movies and TV. Vaikka tämä ratkaisee arvosteluiden saatavuuden ongelman melko siististi, todellinen implementaatio vaatisi sopivan arvostelutietokannan löytämisen ja hakemisen. Tällainen tietokanta voisi olla mikä tahansa, postsocial media -palveluun tai Quoraan vastauksiin.

Tällaiset korkean tason suhteen kartat olisivat myös arvokkaita monille koneoppimisen sovelluksille suosittelujärjestelmien ulkopuolella. Monet nykyiset projektit ovat jumiutuneita inter- ja intra-domain -karttojen puutteen vuoksi, joka johtuu rajoitettujen varojen ja laajuuden vuoksi, kun taas kaupallinen kannustus todella tietävästä ja joukkorahoitetusta ecommerce-suosittelujärjestelmästä voisi potentiaalisesti täyttää tämän aukon.

Mittarit ja testaus

Tekijät testasivat RI-GNN:ää kahden version kanssa kummastakin tietokannasta, joista kumpikin koostuu käyttäjän ostohistoriasta ja yleisistä tuotearvostelusta. Kohteet, jotka esiintyvät vähemmän kuin viisi kertaa, poistettiin, ja käyttäjän historia jaettiin yksiköihin viikossa. Ensimmäinen tietokanta sisälsi kaikki istunnot, joissa oli yli yksi kohde, ja toinen kaikki istunnot, joissa oli yli viisi kohdetta.

Projekti käytti P@K (Tarkkuus) ja MRR@K (Keskimääräinen käänteinen sijoitus) arviointimittareina. Vastakkaiset arkkitehtuurit, jotka testattiin, olivat: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; ja NARM.

Kehyksen koulutus suoritettiin erissä 100:lla Adam -opetusnopeudella 0,001, ja aiheiden määrä asetettiin 24:ksi ja 20:ksi vastaavasti Pet Supplies ja Movies and TV -tietokannoissa.

Julkaistu ensimmäisen kerran 1. helmikuuta 2022.