Anderson का एंगल
समीक्षाओं का उपयोग करके एक रिकमेंडर सिस्टम बनाना जो काम करता है

मुख्य बिंदुRI-GNN बाहरी समीक्षा डेटा का उपयोग करके साधारण श्रेणी आसन्नता से परे वास्तविक वस्तु…
और देखें
- RI-GNN बाहरी समीक्षा डेटा का उपयोग करके साधारण श्रेणी आसन्नता से परे वास्तविक वस्तु निर्भरताओं का मानचित्रण करता है।
- यह प्रणाली Amazon Pet Supplies और Movies and TV डेटासेट पर अत्याधुनिक विधियों से बेहतर प्रदर्शन करती है।
- अनाम सत्र RI-GNN की बिना उपयोगकर्ता लॉगिन या इतिहास के संबंध निकालने की क्षमता से लाभान्वित होते हैं।
यदि आप कभी ऑनलाइन एक उत्पाद खरीदते हैं और ‘संबंधित आइटम’ की अनुपयुक्तता और अनुपयोगिता से आश्चर्यचकित होते हैं जो खरीद और बिक्री प्रक्रिया के दौरान और बाद में आपका पीछा करते हैं, तो आप पहले से ही समझते हैं कि लोकप्रिय और मुख्यधारा के रिकमेंडर सिस्टम संभावित खरीदारी के बीच संबंधों को समझने में कमजोर होते हैं।
यदि आप एक असामान्य और दुर्लभ आइटम, जैसे कि एक ओवन खरीदते हैं, तो अन्य ओवन की सिफारिशें संभवतः अतिरिक्त होंगी, हालांकि सबसे खराब रिकमेंडर सिस्टम इसे स्वीकार करने में विफल होते हैं। 2000 के दशक में, उदाहरण के लिए, TiVO के रिकमेंडर सिस्टम ने इस क्षेत्र में एक प्रारंभिक विवाद पैदा किया जब उन्होंने उपयोगकर्ता के अनुमानित यौन रुझान को फिर से सौंप दिया, जिसने बाद में अपने उपयोगकर्ता प्रोफाइल को ‘पुनः-पुरुषीकरण’ करने के लिए युद्ध फिल्में चुनने का प्रयास किया – एक कच्चा एल्गोरिदम संशोधन दृष्टिकोण।
इससे भी बुरा यह है कि जानकारी की कमी से जूझ रहे अनुशंसा एल्गोरिदम के गलत दिशा में जाने के लिए आपको Amazon पर वास्तव में कुछ खरीदना या किसी बड़ी स्ट्रीमिंग सेवा पर उस फिल्म को देखना शुरू करना भी जरूरी नहीं, जिसका विवरण आप पढ़ रहे हैं। खोज, पृष्ठों पर बिताया समय और विवरण वाले पृष्ठ खोलना ही पर्याप्त हैं। यह सीमित और संभवतः गलत जानकारी भविष्य के ब्राउज़िंग सत्रों में भी बनी रह सकती है।
रिकमेंडर सिस्टम को भूलने का प्रयास करना
कभी-कभी हस्तक्षेप संभव है: नेटफ्लिक्स में एक ‘अंगूठा ऊपर/नीचे’ प्रणाली है जो सिद्धांत रूप में अपने मशीन लर्निंग एल्गोरिदम को अपनी सिफारिश प्रोफ़ाइल से कुछ निहित अवधारणाओं और शब्दों को हटाने में मदद करनी चाहिए (हालांकि इसकी प्रभावशीलता प्रश्न में है, और यह अभी भी एक व्यक्तिगत रिकमेंडर एल्गोरिदम को शुरू से विकसित करने के लिए बहुत आसान है अवांछित ओंटोलॉजी को हटाने की तुलना में), जबकि अमेज़ॅन आपको शीर्षक को अपने ग्राहक इतिहास से हटाने देता है, जो कि किसी भी अवांछित डोमेन को कम करना चाहिए जो आपकी सिफारिशों में घुसपैठ कर गए हैं।
हुलु में एक समान सुविधा है, जबकि एचबीओ मैक्स ने आंशिक रूप से एल्गोरिदम-ओनली रिकमेंडर सिस्टम से पीछे हट गया है, जो वर्तमान में कमियों का सामना कर रहा है।
इनमें से कोई भी सख्ती से उपभोक्ता-स्तर के अनुभव ‘निष्क्रिय’ विज्ञापन प्लेटफ़ॉर्म रिकमेंडर सिस्टम (जहां नोटेबल परिवर्तन आ रहा है क्योंकि सार्वजनिक गुस्सा है) की व्यापक और बढ़ती आलोचना को छूते नहीं हैं, या सोशल मीडिया एआई सिफारिशों के विषय, जहां साइटें जैसे यूट्यूब, ट्विटर और फ़ेसबुक गैर-प्रासंगिक या यहां तक कि हानिकारक सिफारिशों के लिए आलोचना का सामना करते रहते हैं।
मशीन को लगता है कि वह नहीं जानती कि हम क्या चाहते हैं, जब तक कि हम उस आइटम के ‘अगले’ आइटम की तलाश में न हों जो हमारी खोज में आया था – भले ही वह आइटम मूल आइटम की एक डुप्लिकेट या वैकल्पिक हो, जिसे हमने अभी खरीदा हो, किसी संभावित पूरक या सहायक खरीद के बजाय।
समीक्षा डेटा के साथ सटीक सिफारिशें
चीन और ऑस्ट्रेलिया से एक नए शोध सहयोग में एक नई विधि प्रस्तुत की गई है जो बाहरी उपयोगकर्ता-समीक्षाओं का उपयोग करके एक खरीदारी सत्र में आइटमों के बीच वास्तविक संबंधों को बेहतर ढंग से समझने के लिए है। परीक्षणों में, वास्तुकला ने सभी वर्तमान राज्य-ऑफ-द-आर्ट विधियों को पार कर लिया, जो रिकमेंडर सिस्टम के लिए आशा की किरण प्रदान करता है जो आइटमों की निर्भरता का एक बेहतर आंतरिक मानचित्र है।

RI-GNN वस्तुओं के बीच संबंधों की सटीकता में प्रमुख प्रतिस्पर्धियों से बेहतर है और पाँच से अधिक वस्तुओं वाले सत्रों में सबसे अच्छा प्रदर्शन करता है। इसे Amazon Review Data (2018) के Pet Supplies और Movies and TV डेटासेट पर परखा गया। स्रोत: https://arxiv.org/pdf/2201.12532.pdf
इसके अलावा, परियोजना एक उल्लेखनीय चुनौती का समाधान करती है जो गैर-लॉगिन सत्रों में सिफारिशें बनाने की है, जहां रिकमेंडर सिस्टम को उपयोगकर्ता-योगदान विवरण, जैसे कि खरीद इतिहास या उपयोगकर्ता की पिछली खरीदारी की अपनी ऑनलाइन समीक्षाओं तक पहुंच नहीं है।
नई पेपर का शीर्षक सेशन-आधारित सिफारिशों में आसन्न निर्भरता को पुनः विचार करना है, और यह चीन के किलु विश्वविद्यालय प्रौद्योगिकी और बीजिंग प्रौद्योगिकी संस्थान के शोधकर्ताओं से, मेलबोर्न में आरएमआईटी विश्वविद्यालय, और यूनिवर्सिटी ऑफ टेक्नोलॉजी सिडनी के ऑस्ट्रेलियाई कृत्रिम बुद्धिमत्ता संस्थान से है।
क्या आगे है?
सत्र-आधारित सिफारिशों (एसबीआर) का मुख्य कार्य वर्तमान आइटम के साथ इसके गणना किए गए संबंध के आधार पर ‘अगले’ आइटम का निर्धारण करना है। व्यावहारिक रूप से, यह एक ई-कॉमर्स वेबसाइट पर एक आइटम पृष्ठ में ‘संबंधित आइटम’ की सूची के रूप में प्रकट हो सकता है।
यदि आप एक पक्षी पिंजरा खरीद रहे हैं, तो आपको और क्या चाहिए? खैर, कम से कम, आपको पिंजरे में रखने के लिए एक पक्षी की आवश्यकता होगी – यह एक वास्तविक निर्भरता है। हालांकि, पक्षी पिंजरा पालतू सामान ओंटोलॉजी में है, जहां पक्षी बेचे नहीं जाते हैं। विकृत रूप से, बिल्ली खाद्य उसी ओंटोलॉजी में है, हालांकि एक पक्षी पिंजरे उत्पाद के लिए एक सिफारिश के रूप में एक बिल्ली खिलाने का कटोरा जोड़ना एक मिथ्या निर्भरता है – एक भ्रमित और गलत संबंध।

पेपर से: कई आइटमों के बीच सच्चे और झूठे संबंध, दाईं ओर एक अंतर-आइटम ग्राफ के रूप में दृश्यीकृत।
जैसा कि मशीन लर्निंग आर्किटेक्चर में अक्सर होता है, यह एक चुनौती है कि रिकमेंडर सिस्टम को यह समझाने के लिए कि एक ‘दूर’ इकाई (पक्षी पालतू उत्पादों में नहीं है) एक आइटम के साथ एक आंतरिक और महत्वपूर्ण संबंध हो सकता है, जबकि समान श्रेणी में और केंद्रीय अवधारणा में बहुत करीबी आइटम (जैसे बिल्ली खिलाने का कटोरा) विरोधाभासी या विपरीत हो सकते हैं खरीद पर विचार किया जा रहा है।
इन ‘गैर-आसन्न’ इकाइयों के बीच मानचित्रण बनाने का एकमात्र तरीका है क्राउडसोर्सिंग समस्या है, क्योंकि प्रश्न में संबंध मानव अनुभव का एक पहलू हैं, प्रोग्रामेटिक रूप से अनुमानित नहीं किया जा सकता है, और संभवतः डेटासेट लेबलिंग के पारंपरिक तरीकों की किफायती सीमा से बाहर हैं, जैसे अमेज़ॅन मैकेनिकल टर्क के रूप में।
इसलिए, शोधकर्ताओं ने एक उत्पाद की समीक्षाओं से प्रासंगिक शब्द निकालने के लिए प्राकृतिक भाषा प्रसंस्करण (एनएलपी) तंत्र का उपयोग किया है, और इन विश्लेषणों से आवृत्तियों का उपयोग करके दूरस्थ आइटम को ‘मिलान’ करने में सक्षम एम्बेडिंग बनाई है।

समीक्षा-रिफ़ाइंड इंटर-आइटम ग्राफ न्यूरल नेटवर्क (RI-GNN) के लिए आर्किटेक्चर।
वास्तुकला और डेटा
जैसा कि नए पेपर में उल्लेख किया गया है, इसी तरह के पिछले कार्यों ने एक लॉगिन उपयोगकर्ता के अपने समीक्षा इतिहास का शोषण किया है ताकि मूल मानचित्रण प्रदान की जा सकें। डीपकोन और आरएनएस दोनों ने इस दृष्टिकोण का उपयोग किया है। हालांकि, यह तथ्य को छोड़ देता है कि एक उपयोगकर्ता कोई समीक्षा नहीं लिखी हो सकती है, या किसी विशिष्ट आइटम के लिए प्रासंगिक समीक्षाएं नहीं हो सकती हैं जो उनकी सामान्य खरीदारी आदतों से बाहर हैं। इसके अलावा, यह एक तरह का व्हाइट-बॉक्स दृष्टिकोण है, क्योंकि यह मानता है कि उपयोगकर्ता ने खाता बनाने और लॉग इन करने के लिए सेवा से पर्याप्त संपर्क किया है।
शोधकर्ताओं द्वारा प्रस्तावित विस्तारित ग्राफ न्यूरल नेटवर्क (जीएनएन) एक अधिक ऑरेकल-चालित दृष्टिकोण लेता है, ताकि वास्तविक निर्भरताओं को पहले से (a priori) से प्राप्त किया जा सके, ताकि संभवतः, गुमनाम और लॉग-आउट उपयोगकर्ता न्यूनतम इनपुट के साथ अधिक प्रासंगिक सिफारिशें अनुभव कर सकें।
समीक्षा-संवर्धित प्रणाली का शीर्षक समीक्षा-रिफ़ाइंड इंटर-आइटम ग्राफ न्यूरल नेटवर्क (RI-GNN) है। शोधकर्ताओं ने इसे अमेज़ॅन (AMZN ) से दो डेटासेट के खिलाफ परीक्षण किया है, पेट सप्लाईज और मूवीज़ एंड टीवी। हालांकि यह समाधान समीक्षा की उपलब्धता की समस्या को सुंदरता से हल करता है, वास्तविक परिस्थितियों में कार्यान्वयन को एक उपयुक्त समीक्षा डेटाबेस का पता लगाने और स्क्रैप करने की आवश्यकता होगी। ऐसा डेटासेट स्रोत सिद्धांत रूप से किसी भी चीज़ से हो सकता है, सोशल नेटवर्क पर पोस्ट से लेकर क्वोरा पर उत्तर तक।
इस प्रकार की उच्च-स्तरीय संबंध मानचित्रण मशीन लर्निंग अनुप्रयोगों की एक श्रृंखला के लिए मूल्यवान होंगी, इसके अलावा रिकमेंडर सिस्टम के लिए। कई वर्तमान परियोजनाएं सीमित फंड और दायरे के कारण अंतर- और इंट्रा-डोमेन मानचित्रण की कमी के कारण बाधित हैं; जबकि एक वास्तविक ज्ञानी और क्राउडसोर्स्ड ई-कॉमर्स रिकमेंडर सिस्टम का व्यावसायिक प्रोत्साहन उस अंतर को भरने में सक्षम हो सकता है।
मेट्रिक्स और परीक्षण
लेखकों ने RI-GNN का परीक्षण प्रत्येक डेटासेट के दो संस्करणों के साथ किया, प्रत्येक में एक उपयोगकर्ता के खरीद इतिहास और सामान्य समीक्षाओं के साथ। पांच बार से कम दिखाई देने वाले आइटम हटा दिए गए, और उपयोगकर्ता इतिहास को एक सप्ताह की इकाइयों में विभाजित किया गया। पहला डेटासेट संस्करण में एक से अधिक आइटम वाले सभी सत्र शामिल थे, और दूसरा सभी सत्र जिनमें पांच से अधिक आइटम थे।
परियोजना ने P@K (सटीकता) और MRR@K (मीन रिकिप्रोकल रैंक) के लिए मूल्यांकन मेट्रिक्स का उपयोग किया। प्रतिद्वंद्वी वास्तुकला जिन्हें परीक्षण किया गया था: एस-केएनएन; जीआरयू4आरईसी; एस-पीओपी; एसटीएएमपी; बीईआरटी4आरईसी; डीएचसीएन; जीसीई-जीएनएन; एसआर-जीएनएन; और एनएआरएम।
फ्रेमवर्क को Adam ऑप्टिमाइज़र से 100 के बैचों में प्रशिक्षित किया गया था, जिसमें सीखने की दर 0.001 थी, और विषयों की संख्या क्रमशः 24 और 20 थी, पेट सप्लाईज और मूवीज़ एंड टीवी के लिए।
पहली बार 1 फरवरी 2022 को प्रकाशित।












