人工知能4 years ago
レビューを活用して機能するレコメンダーシステムを作る
オンラインで商品を購入したことがあり、購入プロセスや購入後に表示される「関連商品」の無意味さや不適切さに驚いたことがあるなら、一般的で主流のレコメンダーシステムが、購入候補となる商品間の関係性を理解するという点で不十分であることはすでにご存知でしょう。 例えば、オーブンといった、あまり買わない特殊な商品を購入した場合、他のオーブンのレコメンデーションはおそらく不要です。しかし、最悪のレコメンダーシステムはこの点を認識できていません。2000年代には、例えばTiVOのレコメンダーシステムが、ユーザーの認識された性的指向を再割り当てしたことで、この分野で初期の論争を引き起こしました。そのユーザーはその後、戦争映画を選択することでユーザープロフィールを「再男性化」しようとしました。これはアルゴリズム修正への稚拙なアプローチでした。 さらに悪いことに、Amazonなどで実際に何かを購入したり、主要なストリーミングプラットフォームで閲覧している映画の説明を実際に見始めたりしなくても、情報不足のレコメンダーアルゴリズムが間違った方向に進み始めることがあります。検索、滞在時間、商品「詳細」ページへのクリックだけで十分であり、この乏しい（そしておそらく誤った）情報は、そのプラットフォームでの将来の閲覧セッションにも引き継がれる可能性が高いのです。 レコメンダーシステムに忘れさせることを試みる 時には介入が可能です。Netflixは「サムズアップ/ダウン」システムを提供しており、理論上はその機械学習アルゴリズムが、あなたのレコメンデーションプロフィールから特定の埋め込まれた概念や単語を除去するのに役立つはずです（ただしその有効性は疑問視されており、望ましくないオントロジーを除去するよりも、パーソナライズされたレコメンダーアルゴリズムをゼロから進化させる方がはるかに簡単です）。一方、Amazonでは、顧客履歴からタイトルを削除することができ、これによりレコメンデーションに侵入した望ましくない領域を格下げできるはずです。 Huluにも同様の機能があり、HBO Maxは現在の欠点に直面し、アルゴリズムのみのレコメンダーシステムから部分的に撤退しています。 これらの純粋に消費者レベルの体験でさえ、「受動的」な広告プラットフォームのレコメンダーシステム（ここでは公衆の怒りにより注目すべき変化が起きています）に対する広範かつ高まりつつある批判、またはソーシャルメディアのAIレコメンデーションという火種となる話題には触れていません。YouTube、Twitter、Facebookなどのサイトは、関連性のない、あるいは有害なレコメンデーションに対して批判に耐え続けています。 機械は、私たちが何を望んでいるのか理解していないようです。私たちが検索で表示された隣接アイテムを望んでいる場合を除いては。たとえそのアイテムが、ちょうど購入したかもしれない主要アイテムの実質的な複製や代替品であり、潜在的な補完的または付随的な購入品ではないとしてもです。 レビューデータによる正確なレコメンデーション 中国とオーストラリアの新しい研究協力は、外部のユーザーレビューを利用して、ショッピングセッション内のアイテム間の真の関係性をよりよく理解することにより、このような不適切なレコメンデーションに対処する新規の方法を提供しています。テストでは、このアーキテクチャは現在のすべての最先端手法を上回り、アイテムの依存関係をより良い内部マップを持つレコメンダーシステムへの希望をもたらしました： さらに、このプロジェクトは、レコメンダーシステムが購入履歴やユーザー自身による過去の購入品へのオンラインレビューなど、ユーザーが提供した詳細情報にアクセスできない匿名セッションにおいてさえ、レコメンデーションを作成するという注目すべき課題にも取り組んでいます。 新しい論文はRethinking Adjacent Dependency in Session-based Recommendations（セッションベースレコメンデーションにおける隣接依存関係の再考）と題され、中国の斉魯工業大学と北京理工大学、メルボルンのRMIT大学、シドニー工科大学のオーストラリア人工知能研究所の研究者らによるものです。 次は何か？ セッションベースレコメンデーション（SBR）の中核的なタスクは、現在のアイテムから計算された関係性に基づいて、その「次」のアイテムを決定することです。実際には、これは例えばeコマースサイトの鳥かご商品ページにある「関連商品」リストとして現れます。 鳥かごを買う場合、他に何が必要になる可能性があるでしょうか？少なくとも、中に入れる鳥が必要になるでしょう。それは真の依存関係です。しかし、鳥かごはペット用品というオントロジーに分類され、そこでは鳥は販売されていません。逆説的に、キャットフードは同じオントロジーに属していますが、鳥かご商品への関連レコメンデーションとして猫用の餌皿を追加することは偽の依存関係です。誤った、見当違いの関連付けです。 機械学習アーキテクチャでよくあるように、レコメンダーシステムに、「遠い」エンティティ（鳥はペット用品には全く含まれない）がアイテムと本質的で重要な関係を持つ可能性がある一方で、同じカテゴリに属し、機能や中心概念が非常に近いアイテム（猫用餌皿など）が、検討中の購入品と直交するか、直接対立する可能性があることを納得させることは困難です。 「非隣接」エンティティ間のこのようなマッピングを作成する唯一の方法は、問題をクラウドソーシングすることです。なぜなら、問題となっている関係性は人間の経験の一面であり、プログラム的に推測することはできず、おそらくAmazon Mechanical Turkのような従来のデータセットラベリング手法の手頃な範囲を超えているからです。 そこで研究者らは、自然言語処理（NLP）メカニズムを利用して、商品のレビューから重要な単語を抽出し、これらの分析からの頻度を使用して、一見遠いアイテムを「マッチング」できる埋め込みを作成しました。...
