리뷰를 사용하여 작동하는 추천 시스템 만들기

온라인에서 제품을 구매하고 ‘관련 항목’의 어리석음과 비적합성을 경험한 적이 있다면, популяр한 추천 시스템이 잠재적인 구매와의 관계를 이해하는 데 부족함을 느끼실 것입니다.

예를 들어, 오븐과 같은 드문 품목을 구매하면 다른 오븐에 대한 추천이 불필요할 수 있습니다. 그러나 최악의 추천 시스템은 이러한 점을 인식하지 못합니다. 2000년대에 TiVO의 추천 시스템은 사용자의 성별을 재할당하여 논란을 일으켰습니다.

아마존이나 주요 스트리밍 플랫폼에서 제품을 실제로 구매하거나 시청하지 않아도, 검색, 머무름, 클릭 등이 추천 알고리즘을 잘못된 방향으로 이끌 수 있습니다. 이러한 정보는 향후 브라우징 세션에서 계속 사용될 수 있습니다.

추천 시스템을忘하게 하기

때때로 사용자는 추천 시스템을 수정할 수 있습니다. 넷플릭스는 ‘엄지 위/아래’ 시스템을 제공하여 기계 학습 알고리즘이 특정 개념과 단어를 제거하도록 도와줍니다. 아마존은 사용자가 고객 기록에서 제목을 제거할 수 있도록 허용합니다. 훌루와 HBO 맥스도 유사한 기능을 제공합니다.

이러한 소비자 수준의 경험은 여전히 추천 시스템의 한계를 노출합니다. 특히 소셜 미디어의 추천 알고리즘은 비판을 받고 있습니다.

기계는 우리가 원하는 것을 이해하지 못합니다. 우리가 구매한 항목과 관련된 추천을 제공하지 못합니다.

리뷰 데이터로 정확한 추천

중국과 호주의 새로운 연구 협력은 외부 사용자 리뷰를 사용하여 항목 간의 실제 관계를 더 잘 이해하는 방법을 제공합니다. 테스트에서 이 아키텍처는 현재의 최첨단 방법을 모두 능가했습니다.

RI-GNN은 항목 간의 관계 정확성에서 주요 경쟁자를 능가하며 5개 이상의 항목이 있는 세션에서 최고의 성능을 발휘합니다. 시스템은 아마존 리뷰 데이터(2018)의 Pet Supplies와 Movies and TV 데이터셋에 대해 테스트되었습니다. 출처: https://arxiv.org/pdf/2201.12532.pdf

이 프로젝트는 익명 세션에서 추천을 생성하는 어려움도 해결합니다. 여기서 추천 시스템은 사용자 세션 기록이나 사용자의 이전 구매 리뷰에 접근할 수 없습니다.

새로운 논문은 세션 기반 추천에서 인접 의존성 재고찰입니다. 중국의 칭다오理工大学와 北京理工大学, 멜버른의 RMIT 대학, 시드니의 기술 대학의 호주 인공 지능 연구소의 연구자들이 참여했습니다.

다음은 무엇인가?

세션 기반 추천의 핵심 작업은 현재 항목과 그 항목의 계산된 관계를 기반으로 다음 항목을 결정하는 것입니다. 실제로, 이것은 전자상거래 웹사이트의 항목 페이지에서 ‘관련 항목’ 목록으로 나타날 수 있습니다.

예를 들어, 새장 खरीद는 경우, 무엇을 더 필요할까요? 적어도 새를 넣을 수 있는 새장이 필요합니다. 이것은 진짜 의존성입니다. 그러나 새장은 펫 용품 온톨로지에 속하며, 새는 판매되지 않습니다. 반대로, 고양이 사료는 같은 온톨로지에 속하지만, 새장 제품과 관련된 추천으로 고양이 사료를 추가하는 것은 거짓 의존성입니다.

논문에서: 여러 항목 간의 真과 거짓 관계, 오른쪽에 항목 간 그래프로 시각화됨.

기계 학습 아키텍처에서 흔히 볼 수 있는 것처럼, 추천 시스템이 ‘멀리 있는’ 엔티티(새)가 항목과 내재된 중요 관계를 가질 수 있다는 것을 납득시키는 것은 어려운 일입니다.

이러한 매핑을 생성하는唯一한 방법은 크라우드소싱하는 것입니다. 이러한 관계는 인간의 경험의 한 측면이기 때문에, 프로그램적으로 추측할 수 없으며, 일반적인 데이터 레이블링 접근 방식의 범위와 자금으로는 해결할 수 없습니다.

따라서 연구자들은 자연어 처리(NLP) 메커니즘을 사용하여 제품 리뷰에서 관련 단어를 추출하고, 이러한 분석의 빈도를 사용하여 명백히 떨어지는 항목을 ‘일치’시킬 수 있는 임베딩을 생성했습니다.

리뷰-개선된 항목 간 그래프 신경망 아키텍처(RI-GNN).

아키텍처와 데이터

새로운 논문은 이전 연구가 로그인 사용자의 리뷰 기록을 사용하여 기본 매핑을 제공했다고 지적합니다. 그러나 이 접근법은 사용자가 리뷰를 작성하지 않았거나 해당 항목과 관련된 리뷰를 작성하지 않은 경우를 고려하지 않습니다.

연구자들이 제안한 확장된 그래프 신경망(GNN)은 더 오라클 기반 접근 방식을 취하여, 익명 사용자도 최소한의 입력으로 관련 추천을 경험할 수 있도록 합니다.

리뷰-보강된 시스템은 리뷰-개선된 항목 간 그래프 신경망(RI-GNN)이라고 합니다. 연구자들은 이를 아마존의 두 데이터셋(펫 용품과 영화 및 TV)에 대해 테스트했습니다.

메트릭과 테스트

저자들은 RI-GNN을 두 버전의 각 데이터셋에 대해 테스트했습니다. 각 데이터셋은 사용자의 구매 기록과 일반적인 제품 리뷰로 구성되었습니다. 5회 미만의 항목은 제거되었으며, 사용자 기록은 주 단위로 분할되었습니다.

프로젝트는 P@K(정밀도)와 MRR@K(평균 역순위)를 평가 메트릭으로 사용했습니다. 경쟁 아키텍처로는 S-KNN, GRU4Rec, S-POP, STAMP, BERT4Rec, DHCN, GCE-GNN, SR-GNN, 및 NARM이 있습니다.

프레임워크는 Adam을 사용하여 배치 100개로 학습되었으며, 학습률은 0.001로 설정되었습니다. 주제 수는 각각 펫 용품과 영화 및 TV에 대해 24와 20으로 설정되었습니다.

첫 번째로 게시됨: 2022년 2월 1일.