Utiliser les avis pour créer un système de recommandation qui fonctionne

Si vous avez déjà acheté un produit en ligne et vous êtes étonné de l’inanité et de la non-pertinence des « éléments liés » qui hantent le processus d’achat et les ventes, vous comprenez déjà que les systèmes de recommandation populaires et mainstream tendent à faire défaut en termes de compréhension des relations entre les achats potentiels.

Si vous achetez un article peu probable et peu fréquent, tel qu’un four, les recommandations pour d’autres fours sont susceptibles d’être superflues, même si les pires systèmes de recommandation ne parviennent pas à reconnaître cela. Dans les années 2000, par exemple, le système de recommandation de TiVO a créé une controverse précoce dans ce secteur en réattribuant la sexualité perçue d’un utilisateur, qui a ensuite cherché à « remasculiniser » son profil d’utilisateur en sélectionnant des films de guerre – une approche grossière de révision algorithmique.

Il est encore pire, vous n’avez pas besoin d’acheter quoi que ce soit sur (par exemple) Amazon, ou de commencer à regarder un film dont la description vous êtes en train de parcourir sur une plate-forme de streaming majeure, pour que les algorithmes de recommandation affamés d’informations commencent à errer; les recherches, les temps d’attente et les clics sur les pages de détails suffisent, et ces informations rares (et probablement incorrectes) seront probablement perpétuées lors des prochaines sessions de navigation sur la plate-forme.

Essayer de faire oublier un système de recommandation

Parfois, il est possible d’intervenir: Netflix propose un système de « pouce vers le haut / vers le bas » qui devrait en théorie aider ses algorithmes d’apprentissage automatique à supprimer certaines notions et mots de votre profil de recommandation (bien que son efficacité ait été remise en question, et qu’il soit beaucoup plus facile d’évoluer un algorithme de recommandation personnalisé à partir de zéro que de supprimer des ontologies indésirables), tandis qu’Amazon vous permet de supprimer des titres de votre historique client, ce qui devrait déclasser tout domaine indésirable qui a infiltré vos recommandations.

Hulu a une fonctionnalité similaire, tandis que HBO Max a partiellement reculé face à ses limites actuelles.

Aucune de ces expériences de consommation ne touche même aux critiques généralisées et grandissantes des systèmes de recommandation de plateformes publicitaires « passives » (où un changement notable est en cours en raison de l’ire du public), ou le sujet incendiaire des recommandations d’IA des médias sociaux, où des sites tels que YouTube, Twitter et Facebook continuent de subir des critiques pour des recommandations non pertinentes ou même nuisibles.

La machine ne semble pas savoir ce que nous voulons, à moins que nous ne voulions l’ article adjacent qui est apparu dans notre recherche – même si cet article est essentiellement un doublon ou un article alternatif de l’article principal que nous venons d’acheter, plutôt qu’un achat complémentaire ou accessoire potentiel.

Recommandations précises avec des données d’avis

Une nouvelle collaboration de recherche entre la Chine et l’Australie propose une méthode novatrice pour résoudre de telles recommandations non pertinentes, en utilisant des avis externes des utilisateurs pour mieux comprendre les relations réelles entre les articles dans une session d’achat. Dans les tests, l’architecture a surpassé toutes les méthodes actuelles de pointe, offrant de l’espoir pour les systèmes de recommandation qui ont une meilleure carte interne des dépendances des articles:

RI-GNN outperforms major competitors in terms of accuracy of relationships between items, performing best on sessions with more than five items. The system was tested against the Pet Supplies and Movies and TV datasets from Amazon Review Data (2018). Source: https://arxiv.org/pdf/2201.12532.pdf

De plus, le projet répond au défi notable de créer des recommandations même dans des sessions anonymes, où le système de recommandation n’a pas accès aux détails fournis par l’utilisateur, tels que l’historique d’achat ou les propres avis de l’utilisateur sur des achats antérieurs.

Le nouveau document s’intitule Réexamen de la dépendance adjacente dans les recommandations basées sur les sessions, et provient de chercheurs de l’Université de technologie de Qilu et de l’Institut de technologie de Pékin en Chine, de l’Université RMIT à Melbourne, et de l’Institut australien d’intelligence artificielle de l’Université de technologie de Sydney.

Qu’est-ce qui vient ensuite?

La tâche principale des recommandations basées sur les sessions (SBR) est de déterminer l’« article suivant » à partir de l’article actuel, en fonction de sa relation calculée avec l’article actuel. Dans les faits, cela pourrait se manifester sous la forme d’une liste d’« articles liés » dans une page d’article pour une cage à oiseau sur un site de commerce électronique.

Si vous achetez une cage à oiseau, qu’est-ce que vous êtes susceptible d’avoir besoin? Eh bien, au minimum, vous aurez besoin d’un oiseau pour le mettre dedans – c’est une dépendance réelle. Cependant, la cage à oiseau est présentée dans l’ontologie produits pour animaux de compagnie, où les oiseaux ne sont pas vendus. Perversement, la nourriture pour chat se trouve dans la même ontologie, bien que l’ajout d’un bol de nourriture pour chat en tant que recommandation associée pour un produit de cage à oiseau soit une dépendance fausse – une association erronée et malavisée.

From the paper: true and false relationships between several items, visualized on the right as an inter-item graph.

Comme c’est souvent le cas dans les architectures d’apprentissage automatique, il est difficile de convaincre un système de recommandation qu’une « entité distante » (oiseau ne figure pas du tout dans produits pour animaux de compagnie) peut avoir une relation intrinsèque et importante avec un article, alors que les articles qui se trouvent dans la même catégorie et très proches en fonction et en concept central (tels que bol de nourriture pour chat) peuvent être orthogonaux ou directement opposés à l’achat en cours de considération.

La seule façon de créer ces cartes entre « entités non adjacentes » est de crowdsourcer le problème, puisque les relations en question sont un aspect de l’expérience humaine, ne peuvent pas être devinées de manière programmatique et sont probablement au-delà de la portée des approches conventionnelles de marquage de données, telles que Amazon Mechanical Turk.

Par conséquent, les chercheurs ont utilisé des mécanismes de traitement du langage naturel (NLP) pour extraire des mots pertinents des avis pour un produit et ont utilisé des fréquences à partir de ces analyses pour créer des embeddings capables de « faire correspondre » des articles apparemment distants.

The architecture for Review-refined Inter-item Graph Neural Network (RI-GNN).

Architecture et données

Comme le note le nouveau document, les travaux antérieurs de même nature ont exploité l’historique d’avis personnel d’un utilisateur connecté pour fournir des cartes rudimentaires. DeepCONN et RNS ont tous deux utilisé cette approche. Cependant, cela ne tient pas compte du fait qu’un utilisateur n’a peut-être pas écrit d’avis, ou d’avis pertinents pour un article particulier qui est « hors de portée » de ses habitudes d’achat habituelles. De plus, c’est une sorte d’approche « boîte blanche », car elle suppose que l’utilisateur a déjà engagé suffisamment avec la plateforme pour créer un compte et se connecter.

Le réseau neuronal graphique (GNN) étendu proposé par les chercheurs adopte une approche plus oracle, en dérivant des dépendances réelles a priori, de sorte que, vraisemblablement, l’utilisateur anonyme et déconnecté puisse bénéficier de recommandations plus pertinentes avec un minimum d’entrée requise.

Le système de recommandation basé sur les avis est intitulé Réseau neuronal graphique inter-article affiné par les avis (RI-GNN). Les chercheurs ont testé ce système contre deux ensembles de données d’Amazon, Fournitures pour animaux de compagnie et Films et télévision. Bien que cela résolve le problème de la disponibilité des avis de manière assez élégante, une mise en œuvre in situ nécessiterait de localiser et de récupérer une base de données d’avis appropriée. Une telle source de données pourrait, en théorie, être n’importe quoi, des publications sur un réseau social aux réponses sur Quora.

Les cartes de relations de haut niveau de ce type seraient, en outre, précieuses pour une gamme d’applications d’apprentissage automatique au-delà des systèmes de recommandation. De nombreux projets actuels sont entravés par le manque de cartes inter et intra-domaine en raison de fonds et de portée limités, alors que l’impulsion commerciale d’un système de recommandation de commerce électronique vraiment knowledgeable et crowdsourcé pourrait potentiellement combler cet écart.

Métriques et tests

Les auteurs ont testé RI-GNN contre deux versions de chaque ensemble de données, chacun composé de l’historique d’achat d’un utilisateur et de critiques générales du produit. Les articles apparaissant moins de cinq fois ont été supprimés, et l’historique de l’utilisateur a été divisé en unités d’une semaine. La première version de l’ensemble de données comportait toutes les sessions avec plus d’un article, et la seconde toutes les sessions avec plus de cinq articles.

Le projet a utilisé P@K (précision) et MRR@K (rang réciproque moyen) pour ses métriques d’évaluation. Les architectures rivales testées étaient: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; et NARM.

Le cadre a été formé par lots de 100 sur Adam à un taux d’apprentissage de 0,001, avec le nombre de sujets fixé à 24 et 20, respectivement, pour Fournitures pour animaux de compagnie et Films et télévision.

Publié pour la première fois le 1er février 2022.