Menggunakan Ulasan untuk Membuat Sistem Rekomendasi yang Efektif

Jika Anda pernah membeli produk secara online dan terkejut dengan ketidakrelevanan dan ketidaksesuaian “item terkait” yang muncul selama proses pembelian dan pascapembelian, Anda sudah memahami bahwa sistem rekomendasi populer dan mainstream cenderung gagal memahami hubungan antara pembelian yang potensial.

Jika Anda membeli item yang tidak biasa dan jarang, seperti oven, rekomendasi untuk oven lainnya kemungkinan besar akan sia-sia, meskipun sistem rekomendasi terburuk gagal mengakui hal ini. Pada tahun 2000-an, misalnya, sistem rekomendasi TiVO menciptakan kontroversi awal di sektor ini dengan mengubah persepsi seksualitas pengguna, yang kemudian mencoba untuk “memasculinikan” profil penggunanya dengan memilih film perang – sebuah pendekatan kasar untuk revisi algoritma.

Lebih parah lagi, Anda tidak perlu benar-benar membeli apa pun di (misalnya) Amazon, atau benar-benar memulai menonton film yang deskripsinya Anda jelajahi di platform streaming utama, agar algoritma rekomendasi yang kekurangan informasi mulai mengarahkan Anda ke jalan yang salah; pencarian, penundaan, dan klik ke halaman “detail” sudah cukup, dan informasi yang langka (dan mungkin salah) ini kemungkinan akan diperbarui di seluruh sesi browsing di platform tersebut.

Mencoba Membuat Sistem Rekomendasi Lupa

Terkadang memungkinkan untuk melakukan intervensi: Netflix menyediakan sistem “thumbs up/down” yang seharusnya membantu algoritma pembelajaran mesinnya menghapus konsep dan kata-kata tertentu dari profil rekomendasi Anda (meskipun efektivitasnya dipertanyakan, dan masih lebih mudah untuk mengembangkan algoritma rekomendasi pribadi dari awal daripada menghapus ontologi yang tidak diinginkan), sementara Amazon memungkinkan Anda menghapus judul dari riwayat pelanggan, yang seharusnya menurunkan domain yang tidak diinginkan yang masuk ke rekomendasi Anda.

Hulu memiliki fitur serupa, sementara HBO Max telah sebagian mundur dari sistem rekomendasi algoritma-saja, menghadapi kelemahan saat ini.

Tidak satu pun dari pengalaman ini secara ketat terkait dengan pengalaman konsumen, bahkan tidak menyentuh kritik luas dan berkembang tentang “pasif” platform iklan rekomendasi (di mana perubahan yang signifikan sedang terjadi karena kemarahan publik), atau topik yang sangat kontroversial tentang rekomendasi AI media sosial, di mana situs seperti YouTube, Twitter dan Facebook terus menghadapi kritik karena rekomendasi yang tidak relevan atau bahkan merusak.

Mesin tidak tampaknya tahu apa yang kita inginkan, kecuali jika kita menginginkan item yang berdekatan yang muncul dalam pencarian kita – bahkan jika item tersebut pada dasarnya adalah duplikat atau alternatif dari item utama yang baru saja kita beli, bukan potensi pembelian komplementer atau tambahan.

Rekomendasi Akurat dengan Data Ulasan

Kolaborasi penelitian baru dari Cina dan Australia menawarkan metode baru untuk menangani rekomendasi yang tidak tepat, dengan menggunakan ulasan pengguna eksternal untuk memahami hubungan sebenarnya antara item dalam sesi belanja. Dalam pengujian, arsitektur ini outperformed semua metode state-of-the-art saat ini, menawarkan harapan untuk sistem rekomendasi yang memiliki peta internal yang lebih baik tentang ketergantungan item;

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

Untuk memulai, proyek ini menangani tantangan yang signifikan dalam membuat rekomendasi bahkan dalam sesi anonim, di mana sistem rekomendasi tidak memiliki akses ke detail pengguna, seperti riwayat pembelian, atau ulasan pengguna sebelumnya.

Paper baru ini berjudul Rethinking Adjacent Dependency in Session-based Recommendations, dan berasal dari peneliti di Qilu University of Technology dan Beijing Institute of Technology di Cina, RMIT University di Melbourne, dan Australian Artificial Intelligence Institute di University of Technology Sydney.

Apa Selanjutnya?

Tugas utama rekomendasi berbasis sesi (SBR) adalah menentukan ‘item berikutnya’ dari item saat ini, berdasarkan hubungan yang dihitung dengan item saat ini. Dalam praktiknya, ini dapat muncul sebagai daftar ‘Item terkait’ di halaman item untuk kandang burung di situs web e-commerce.

Jika Anda membeli kandang burung, apa lagi yang Anda butuhkan? Nah, setidaknya, Anda akan membutuhkan burung untuk dimasukkan ke dalamnya – itu ketergantungan sebenarnya. Namun, kandang burung ini ditampilkan dalam ontologi barang hewan peliharaan, di mana burung tidak dijual. Secara paradoks, makanan kucing berada dalam ontologi yang sama, meskipun menambahkan mangkuk makan kucing sebagai rekomendasi terkait untuk produk kandang burung adalah ketergantungan palsu – asosiasi yang salah dan menyesatkan.

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

Seperti yang sering terjadi dalam arsitektur pembelajaran mesin, ini adalah tantangan untuk membujuk sistem rekomendasi bahwa entitas “jauh” (burung tidak ada dalam produk hewan peliharaan) mungkin memiliki hubungan intrinsik dan penting dengan item, sedangkan item yang berada dalam kategori yang sama, dan sangat dekat dalam fungsi dan konsep sentral (seperti mangkuk makan kucing), mungkin orthogonal atau langsung bertentangan dengan pembelian yang dipertimbangkan.

Satunya cara untuk membuat pemetaan hubungan antara entitas “non-adjacent” adalah dengan mengumpulkan masalah, karena hubungan yang dimaksud adalah aspek pengalaman manusia, tidak dapat ditebak secara programatis, dan mungkin diluar jangkauan pendekatan konvensional untuk pelabelan dataset, seperti Amazon Mechanical Turk.

Oleh karena itu, peneliti telah menggunakan mekanisme Pemrosesan Bahasa Alami (NLP) untuk mengekstrak kata-kata penting dari ulasan untuk produk, dan telah menggunakan frekuensi dari analisis ini untuk membuat embedding yang mampu “memadankan” item yang tampaknya jauh.

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

Arsitektur dan Data

Seperti yang dicatat dalam paper baru ini, karya sebelumnya dengan sifat serupa telah mengeksploitasi riwayat ulasan pengguna yang masuk log untuk menyediakan pemetaan dasar. DeepCONN dan RNS keduanya menggunakan pendekatan ini. Namun, ini mengabaikan fakta bahwa pengguna mungkin tidak menulis ulasan, atau ulasan yang relevan dengan item tertentu yang “diluar jangkauan” kebiasaan belanja mereka. Selain itu, ini adalah pendekatan “white box”, karena mengasumsikan bahwa pengguna telah terlibat cukup dengan outlet untuk membuat akun dan masuk log.

Graph Neural Network (GNN) yang diperluas yang diusulkan oleh peneliti ini mengambil pendekatan yang lebih oracle-driven, menghasilkan ketergantungan sebenarnya a priori, sehingga, tampaknya, pengguna anonim dan tidak masuk log dapat mengalami rekomendasi yang lebih relevan dengan input minimal yang diperlukan.

Sistem yang ditingkatkan dengan ulasan ini diberi judul Review-refined Inter-item Graph Neural Network (RI-GNN). Peneliti telah mengujinya melawan dua dataset dari Amazon, Pet Supplies dan Movies and TV. Meskipun ini menyelesaikan masalah ketersediaan ulasan dengan cukup rapi, implementasi di lapangan akan perlu menemukan dan mengumpulkan database ulasan yang sesuai. Sumber dataset seperti ini bisa, dalam teori, menjadi apa saja, dari postingan di jaringan sosial hingga jawaban di Quora.

Pemetaan hubungan tingkat tinggi seperti ini juga akan sangat berharga bagi berbagai aplikasi pembelajaran mesin di luar sistem rekomendasi. Banyak proyek saat ini terhambat oleh kurangnya pemetaan antar dan intra-domain karena dana dan cakupan yang terbatas, sedangkan dorongan komersial dari sistem rekomendasi e-commerce yang benar-benar mengetahui dan dikumpulkan dapat memenuhi kesenjangan ini.

Metrik dan Pengujian

Penulis menguji RI-GNN melawan dua versi dari setiap dataset, masing-masing terdiri dari riwayat pembelian pengguna dan ulasan umum produk. Item yang muncul kurang dari lima kali dihapus, dan riwayat pengguna dibagi menjadi unit mingguan. Versi dataset pertama menampilkan semua sesi dengan lebih dari satu item, dan versi kedua menampilkan semua sesi dengan lebih dari lima item.

Proyek ini menggunakan P@K (Presisi) dan MRR@K (Mean Reciprocal Rank) sebagai metrik evaluasi. Arsitektur rival yang diuji adalah: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; dan NARM.

Kerangka kerja ini dilatih dalam batch 100 pada Adam dengan tingkat pembelajaran 0,001, dengan jumlah topik yang ditetapkan ke 24 dan 20, masing-masing, untuk Pet Supplies dan Movies and TV.

Dipublikasikan pertama kali pada 1 Februari 2022.