Utilizzare le recensioni per creare un sistema di raccomandazione che funzioni

Se hai mai acquistato un prodotto online e ti sei meravigliato dell’inanità e della non-applicabilità degli “articoli correlati” che infestano il processo di acquisto e di post-vendita, già capisci che i sistemi di raccomandazione popolari e mainstream tendono a non funzionare bene nel comprendere le relazioni tra acquisti potenziali.

Se acquisti un articolo insolito e infrequente, come un forno, le raccomandazioni per altri fornelli sono probabilmente superflue, anche se i peggiori sistemi di raccomandazione non riconoscono questo. Negli anni 2000, ad esempio, il sistema di raccomandazione di TiVO creò una controversia precoce in questo settore reassegnando la presunta sessualità di un utente, che successivamente cercò di “rimascolinizzare” il suo profilo utente selezionando film di guerra – un approccio grezzo alla revisione dell’algoritmo.

Peggio ancora, non è necessario acquistare nulla (ad esempio) su Amazon, o iniziare a guardare un film la cui descrizione stai sfogliando su una piattaforma di streaming importante, affinché algoritmi di raccomandazione affamati di informazioni inizino a percorrere la strada sbagliata; le ricerche, le pause e i clic sulle pagine dei “dettagli” sono sufficienti, e queste informazioni scarse (e probabilmente errate) saranno probabilmente perpetuate in future sessioni di navigazione sulla piattaforma.

Cercare di far dimenticare un sistema di raccomandazione

A volte è possibile intervenire: Netflix fornisce un sistema di “pollice su/giù” che dovrebbe in teoria aiutare i suoi algoritmi di apprendimento automatico a rimuovere certi concetti e parole incorporati nel profilo di raccomandazione (anche se la sua efficacia è stata messa in discussione, e rimane molto più facile evolvere un algoritmo di raccomandazione personalizzato da zero che rimuovere ontologie indesiderate), mentre Amazon ti consente di rimuovere titoli dalla tua cronologia di acquisti, il che dovrebbe declassare qualsiasi dominio indesiderato che abbia infiltrato le tue raccomandazioni.

Hulu ha una funzionalità simile, mentre HBO Max ha parzialmente ritirato dai sistemi di raccomandazione basati solo su algoritmi, di fronte alle loro attuali carenze.

Nessuna di queste esperienze a livello di consumatore tocca nemmeno la critica diffusa e in crescita dei sistemi di raccomandazione delle piattaforme pubblicitarie “passive” (dove sta arrivando un cambiamento significativo a causa dell’ira pubblica), o il tema incendiario delle raccomandazioni AI dei social media, dove siti come YouTube, Twitter e Facebook continuano a subire critiche per raccomandazioni non pertinenti o addirittura dannose.

La macchina non sembra sapere cosa vogliamo, a meno che non vogliamo l’articolo adiacente che è apparso nella nostra ricerca – anche se quell’articolo è essenzialmente una copia o un’alternativa all’articolo principale che potremmo aver appena acquistato, piuttosto che un acquisto complementare o accessorio potenziale.

Raccomandazioni accurate con dati di recensione

Una nuova collaborazione di ricerca tra la Cina e l’Australia offre un metodo innovativo per affrontare tali raccomandazioni non pertinenti, utilizzando recensioni utente esterne per ottenere una comprensione migliore delle vere relazioni tra gli articoli in una sessione di acquisto. Nei test, l’architettura ha superato tutti i metodi attuali di stato dell’arte, offrendo speranza per sistemi di raccomandazione che abbiano una mappa interna migliore delle dipendenze degli articoli:

RI-GNN supera i principali concorrenti in termini di accuratezza delle relazioni tra articoli, eseguendo al meglio le sessioni con più di cinque articoli. Il sistema è stato testato contro i dataset Pet Supplies e Movies and TV di Amazon Review Data (2018). Fonte: https://arxiv.org/pdf/2201.12532.pdf

Per di più, il progetto affronta la nota sfida di creare raccomandazioni anche in sessioni anonime, dove il sistema di raccomandazione non ha accesso ai dettagli forniti dagli utenti, come la cronologia degli acquisti o le recensioni online degli acquisti precedenti.

Il nuovo documento si intitola Ripensare la dipendenza adiacente nelle raccomandazioni basate sulla sessione e proviene da ricercatori della Qilu University of Technology e del Beijing Institute of Technology in Cina, dell’Università RMIT di Melbourne e dell’Istituto australiano di intelligenza artificiale dell’Università di Tecnologia di Sydney.

Cosa c’è dopo?

Il compito principale delle raccomandazioni basate sulla sessione (SBR) è determinare l’articolo “successivo” a partire dall’articolo corrente, in base alla sua relazione calcolata con l’articolo corrente. In termini pratici, ciò potrebbe manifestarsi come un elenco di “Articoli correlati” nella pagina di un articolo per un sito di e-commerce.

Se stai acquistando una gabbia per uccelli, cosa altro potresti avere bisogno? Beh, almeno, avrai bisogno di un uccello da metterci dentro – è una dipendenza vera. Tuttavia, la gabbia per uccelli è presente nell’ontologia beni per animali domestici, dove gli uccelli non sono venduti. Perversamente, cibo per gatti si trova nella stessa ontologia, anche se aggiungere una ciotola per gatti come raccomandazione associata per un prodotto di gabbia per uccelli è una dipendenza falsa – un’associazione errata e fuorviante.

Dal documento: relazioni vere e false tra diversi articoli, visualizzate a destra come un grafo di articoli.

Come spesso accade nelle architetture di apprendimento automatico, è una sfida convincere un sistema di raccomandazione che un’entità “distantante” (uccello non figura affatto in prodotti per animali domestici) possa avere una relazione intrinseca e importante con un articolo, mentre gli articoli che si trovano nella stessa categoria e sono molto vicini per funzione e concetto centrale (come cibo per gatti) possono essere ortogonali o direttamente opposti all’acquisto in considerazione.

L’unico modo per creare queste mappe tra entità “non adiacenti” è quello di esternalizzare il problema, poiché le relazioni in questione sono un aspetto dell’esperienza umana, non possono essere indovinate in modo programmatico e sono probabilmente al di là della portata convenzionale degli approcci alla creazione di set di dati, come Amazon Mechanical Turk.

Pertanto, i ricercatori hanno impiegato meccanismi di elaborazione del linguaggio naturale (NLP) per estrarre parole significative dalle recensioni di un prodotto e hanno utilizzato le frequenze di queste analisi per creare incorporamenti in grado di “abbbinare” articoli apparentemente distanti.

L’architettura per Review-refined Inter-item Graph Neural Network (RI-GNN).

Architettura e dati

Come nota il nuovo documento, lavori precedenti di natura simile hanno sfruttato la storia di recensioni di un utente registrato per fornire mappe rudimentali. DeepCONN e RNS hanno entrambi utilizzato questo approccio. Tuttavia, ciò trascura il fatto che un utente potrebbe non aver scritto alcuna recensione, o alcuna recensione pertinente a un articolo particolare che è “fuori portata” delle sue abitudini di acquisto abituali. Inoltre, questo è un approccio di tipo “scatola bianca”, poiché si presume che l’utente abbia già interagito sufficientemente con il punto vendita per creare un account e accedere.

La rete neurale estesa proposta dai ricercatori adotta un approccio più guidato dall’oracolo, derivando dipendenze vere a priori, in modo che, presumibilmente, l’utente anonimo e non connesso possa sperimentare raccomandazioni più rilevanti con un input minimo richiesto.

Il sistema di raccomandazione arricchito con le recensioni è intitolato Rete neurale grafo di articoli raffinata con recensioni (RI-GNN). I ricercatori lo hanno testato contro due dataset di Amazon, Forniture per animali domestici e Film e TV. Sebbene ciò risolva abbastanza bene il problema della disponibilità delle recensioni, un’implementazione nel mondo reale dovrebbe trovare e raccogliere un database di recensioni appropriato. Una tale fonte di dati potrebbe essere, in teoria, qualsiasi cosa, dalle pubblicazioni su una rete sociale alle risposte su Quora.

Le mappe di relazioni ad alto livello di questo tipo sarebbero, inoltre, preziose per una gamma di applicazioni di apprendimento automatico al di là dei sistemi di raccomandazione. Molti progetti attuali sono limitati dalla mancanza di mappe interne e intersettoriali a causa di fondi e portata limitati, mentre l’impulso commerciale di un sistema di raccomandazione e-commerce veramente conoscitivo e basato sul crowdsourcing potrebbe potenzialmente colmare quella lacuna.

Metriche e test

Gli autori hanno testato RI-GNN contro due versioni di ciascun dataset, ciascuna delle quali è composta dalla cronologia di acquisti di un utente e dalle recensioni generali del prodotto. Gli articoli che appaiono meno di cinque volte sono stati rimossi e la cronologia dell’utente è stata divisa in unità di una settimana. La prima versione del dataset presentava tutte le sessioni con più di un articolo e la seconda tutte le sessioni con più di cinque articoli.

Il progetto ha utilizzato P@K (Precisione) e MRR@K (Media del reciproco rango) come metriche di valutazione. Le architetture rivali testate sono state: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; e NARM.

Il framework è stato addestrato in batch di 100 su Adam con un tasso di apprendimento di 0,001, con il numero di argomenti impostato su 24 e 20, rispettivamente, per Forniture per animali domestici e Film e TV.

Pubblicato per la prima volta il 1° febbraio 2022.