レビューを使用して機能するレコメンダーシステムを作成する

オンラインで製品を購入し、購入とアフターセールスプロセスで「関連アイテム」の不合理性と不適切性に驚いたことがある場合は、すでに人気のあるレコメンダーシステムが、潜在的な購入の関係を理解するという点で短所があることを理解しているはずです。

不確実で頻度の低いアイテム、たとえばオーブンを購入する場合、他のオーブンの推奨は余分なものとなる可能性がありますが、最悪のレコメンダーシステムはこれを認識できない。2000年代の例として、TiVOのレコメンダーシステムは、この分野で初期の論争を引き起こし、ユーザーの認識された性別を再割り当てしたため、ユーザーは戦争映画を選択することでユーザープロファイルを「再男性化」しようとした——アルゴリズムの修正に対する粗いアプローチです。

さらに悪いことに、アマゾンや主要なストリーミングプラットフォームなどのサイトで、実際に何かを購入する必要はなく、映画の説明を閲覧しているだけで、情報に飢えたレコメンダーアルゴリズムが間違った道を進み始めることがあります。検索、滞在、詳細ページへのクリックは十分であり、これらの乏しい（おそらく間違った）情報は、将来のブラウジングセッションで繰り返される可能性があります。

レコメンダーシステムを忘れさせること

時々、介入することは可能です。Netflixには、理論的にはマシンラーニングアルゴリズムがあなたのレコメンダープロファイルから特定の埋め込まれた概念と単語を削除するのに役立つ「サムネイルアップ/ダウン」システムがあります（ただし、その有効性は疑問視されており、スクラッチからパーソナライズされたレコメンダーアルゴリズムを進化させることは、望ましいオントロジーを削除するよりもはるかに簡単です）、アマゾンはあなたがタイトルをあなたの顧客履歴から削除することを許可し、これにより、あなたのレコメンダーに侵入した不快なドメインがダウングレードされるはずです。

Huluには同様の機能があり、HBO Maxは、現在の短所のために、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。

これらの消費者向けの体験は、広告プラットフォームのレコメンダーシステム（注目すべき変更が一般の怒りにより来ている）や、YouTube、Twitter、Facebookのようなサイトで非関連または有害なレコメンダーで批判に直面しているソーシャルメディアAIレコメンダーのトピックには触れていません。
…（以下、同じ構造で続く）