Benotzt Rezensiounen fir e Recommandatiounssystem ze kreéieren dee funktionnéiert

Wann Dir jeemools e Produkt online kaaft hutt an Iech iwwer d'Onméiglechkeet an d'Net-Uwendbarkeet vun den "verbonne Artikelen" bewonnert hutt, déi de Kaf- an After-Sales Prozess verfollegen, versteet Dir schonn dat populär an Mainstream recommandéiert Systemer tendéieren kuerz ze falen wat d'Bezéiungen tëscht potenziellen Akeef ze verstoen.

Wann Dir en onwahrscheinlechen an seltenen Artikel kaaft, wéi zum Beispill en Uewen, sinn Empfehlungen fir aner Uewen wahrscheinlech iwwerflësseg, obwuel déi schlëmmste Empfehlersystemer dëst net unerkennen. An den 2000er Joren, zum Beispill, huet dem TiVO säin Empfehlersystem eng fréi Kontrovers an dësem Secteur geschaf duerch der ugesi Sexualitéit ëmsetzen vun engem Benotzer, deen duerno versicht huet säi Benotzerprofil "nei maskuliniséieren" andeems hien Krichsfilmer auswielt - eng rau Approche zur Algorithmusrevisioun.

Méi schlëmm, Dir braucht näischt bei (zum Beispill) Amazon ze kafen, oder tatsächlech ufänken e Film ze kucken, deem seng Beschreiwung Dir op enger grousser Streamingplattform sicht, fir Informatiounen-gehongert Recommander Algorithmen fir glécklech op de falsche Wee ze starten; Sichen, wunnt a klickt op d'Detailer Säite si genuch, an dës knapp (a wahrscheinlech falsch) Informatioun wäert méiglecherweis iwwer zukünfteg Surfen op der Plattform fortgesat ginn.

Probéiert e Recommender System ze vergiessen

Heiansdo ass et méiglech ze intervenéieren: Netflix liwwert en "Daumen erop / erof" System, deen an der Theorie seng Maschinn Léieren Algorithmen soll hëllefe bestëmmte embedded Konzepter a Wierder aus Ärem Empfehlungsprofil ze läschen (obwuel seng Effizienz huet gefrot ginn, an et bleift vill méi einfach e personaliséierten Empfehler Algorithmus vun Null ze entwéckelen wéi et ass fir ongewollt Ontologien ze läschen), während Amazon Iech erlaabt ewechzehuelen Titelen vun Ärer Clientsgeschicht, déi all ongewollte Domainen erofgrade sollten déi Är Empfehlungen infiltréiert hunn.

Hulu huet eng ähnlech Feature, iwwerdeems HBO Max huet deelweis zréckgezunn aus Algorithmus-nëmmen Empfehlungssystemer, am Gesiicht vun hiren aktuellen Mängel.

Keen vun dëse streng Konsument-Niveau Erfahrungen beréieren souguer op déi verbreet a wuessend Kritik vu "passiven" Reklammplattform Empfehlungssystemer (wou bemierkenswäert Ännerung kënnt wéinst der ëffentlecher Ire), oder dat brennend Thema vu sozialen Medien AI Empfehlungen, wou Siten wéi z YouTube, Twitter an Facebook weider Kritik aushalen fir net-relevant oder souguer schiedlech Empfehlungen.

D'Maschinn schéngt net ze wëssen, wat mir wëllen, ausser mir wëllen de ugrenzend Element dat an eiser Sich opgetaucht ass - och wann dësen Artikel am Wesentlechen en Duplikat oder Alternativ zum primäre Artikel ass, dee mir just kaaft hunn, anstatt e potenziellen Ergänzungs- oder Niewekaaf.

Genau Empfehlungen mat Bewäertungsdaten

Eng nei Fuerschungszesummenaarbecht aus China an Australien bitt eng nei Method fir sou net-apppositiv Empfehlungen unzegoen, andeems Dir externe Benotzerbewäertunge benotzt fir e bessert Verständnis vun de richtege Bezéiungen tëscht Artikelen an enger Shopping-Sessioun ze kréien. An Tester huet d'Architektur all aktuell modernste Methoden iwwerpréift, Hoffnung fir Empfehlersystemer ze bidden déi eng besser intern Kaart vun den Ofhängegkeeten vun Artikelen hunn:

RI-GNN iwwerhëlt grouss Konkurrenten wat d'Genauegkeet vun de Relatiounen tëscht Elementer ugeet, am Beschten op Sessiounen mat méi wéi fënnef Elementer. De System gouf getest géint Pet Supplies a Filmer an Fernsehdatesets aus Amazon Bewäertungsdaten (2018).  Source: https://arxiv.org/pdf/2201.12532.pdf

Fir ze booten, adresséiert de Projet déi bemierkenswäert Erausfuerderung fir Empfehlungen ze kreéieren och an anonyme Sessiounen, wou de Empfehlersystem keen Zougang zu Benotzer bäigedroen Detailer huet, sou wéi Akafsgeschicht, oder dem Benotzer seng eegen Online Bewäertunge vu fréiere Akeef.

déi nei Pabeier heescht Iwwerdenken ugrenzend Ofhängegkeet a Sessiounsbaséiert Empfehlungen, a kënnt vu Fuerscher op der Qilu University of Technology an dem Beijing Institute of Technology a China, RMIT University zu Melbourne, an dem Australian Artificial Intelligence Institute op der University of Technology Sydney.

Wat ass Next?

D'Haaptaufgab vun de Sessiounsbaséierten Empfehlungen (SBR) ass den 'nächsten' Element zesumme vum aktuellen Artikel ze bestëmmen, baséiert op senger berechent Bezéiung zum aktuellen Artikel. Praktesch kann dëst sech als Lëscht vun 'Zesummenhang Artikelen' an enger Artikel Säit fir e Vugelkäfeg op enger Ecommerce Websäit manifestéieren.

Wann Dir e Vugelkäfeg kaaft, wat soss braucht Dir wahrscheinlech? Gutt, op d'mannst, Dir wäert e Vugel brauchen fir et ze setzen - dat ass eng richteg Ofhängegkeet. Wéi och ëmmer, de Vugelkäfeg ass an der Ontologie gewisen Déier Wueren, wou Villercher net verkaf ginn. Pervers, Kazen sëtzt an der selwechter Ontologie, obwuel eng Kazfudderschüssel als eng assoziéiert Empfehlung fir e Vugelkäfegprodukt ass eng falsch Ofhängegkeet - eng falsch a falsch Associatioun.

Aus dem Pabeier: richteg a falsch Relatiounen tëscht verschiddenen Artikelen, op der rietser Säit visualiséiert als Inter-Item Grafik.

Wéi sou dacks de Fall bei Maschinnléierarchitekturen ass et eng Erausfuerderung fir e Empfehlersystem ze iwwerzeegen datt eng "fern" Entitéit (Vugel Fonktioun guer net an Hausdéieren Produkter) kënnen eng intrinsesch a wichteg Relatioun zu engem Artikel hunn, wärend Artikelen déi an der selwechter Kategorie sinn, a ganz no a Funktioun an zentrale Konzept sinn (z. Kaz fidderen Schossel), kann orthogonal sinn oder direkt géint de Kaf ugesi ginn.

Deen eenzege Wee fir dës Kartéierungen tëscht 'net-angrenzend' Entitéiten ze kreéieren ass de Problem ze crowdsourcen, well d'Bezéiungen a Fro sinn eng Facette vun der mënschlecher Erfahrung, kënnen net programmatesch virgestallt ginn, a si wahrscheinlech iwwer de bezuelbare Kader vu konventionelle Approche fir Etikettéiere vun Daten, wéi z Amazon Mechanical Turk.

Dofir hunn d'Fuerscher Natural Language Processing (NLP) Mechanismen benotzt fir essentiell Wierder aus Rezensiounen fir e Produkt ze extrahieren, an hunn Frequenzen aus dësen Analysen benotzt fir Embeddings ze kreéieren déi fäeg sinn anscheinend wäit Elementer ze "passen".

D'Architektur fir Review-raffinéiert Inter-Item Graph Neural Network (RI-GNN).

Architektur an Daten

Wéi den neie Pabeier bemierkt, hunn virdru Wierker vun enger ähnlecher Natur en ugemellte Benotzer seng eege Bewäertungsgeschicht exploitéiert fir rudimentär Mappingen ze bidden. DeepCONN an RNA souwuel dës Approche benotzt. Wéi och ëmmer, dëst reduzéiert d'Tatsaach datt e Benotzer vläicht keng Rezensiounen geschriwwen huet, oder keng Rezensiounen relevant fir e bestëmmten Artikel deen 'ausserhalb vun der Gamme' vun hiren übleche Kafgewunnechten ass. Zousätzlech ass dëst eppes vun enger "White Box" Approche, well et ugeholl datt de Benotzer scho genuch mam Outlet engagéiert huet fir e Kont ze kreéieren an aloggen.

Den erweiderten Graph Neural Network (GNN) proposéiert vun de Fuerscher hëlt eng méi orakel-driven Approche, ofgeleet richteg Ofhängegkeeten priori, sou datt, viraussiichtlech, den anonymen an ausgeloggte Benotzer méi relevant Empfehlungen mat minimalem Input erfuerderlech erliewen.

D'Iwwerpréiwung vergréissert System ass Titel Iwwerpréiwung-raffinéiert Inter-Item Graph Neural Network (RI-GNN). D'Fuerscher hunn et géint zwee getest Datesätz vun Amazon, Pet Supplies an Filmer an TV. Och wann dëst de Problem vun der Iwwerpréiwungsverfügbarkeet zimmlech ordentlech léist, eng in-the-wild Implementatioun brauch eng passend Bewäertungsdatebank ze lokaliséieren an ze schrauwen. Esou eng Datasetquell kéint, an der Theorie, alles sinn, vu Posts op engem sozialen Netzwierk bis Äntwerten op Quora.

Héich-Niveau Bezéiungsmappings vun dëser Natur wieren zousätzlech wäertvoll fir eng Rei vu Maschinnléiereapplikatiounen iwwer Empfehlersystemer. Vill aktuell Projete ginn duerch de Mangel u Inter- an Intra-Domain Mapping gehumpelt wéinst limitéierter Fongen an Ëmfang, wärend de kommerziellen Impuls vun engem wierklech wëssenschaftlechen a crowdsourced Ecommerce Empfehler System dës Lück potenziell kéint fëllen.

Metriken an Testen

D'Auteuren getest RI-GNN géint zwou Versiounen vun all Datesaz, jidderee vun deem besteet aus engem Benotzer d'Akaaf Geschicht an allgemeng Rezensiounen vum Produit. Elementer, déi manner wéi fënnef Mol optrieden, goufen ewechgeholl, an d'Benotzergeschicht gouf an Unitéiten vun enger Woch opgedeelt. Déi éischt Dataset Versioun huet all Sessiounen mat méi wéi engem Artikel, an déi zweet all Sessiounen mat iwwer fënnef Elementer.

De Projet huet P@K (Präzisioun) a MRR@K (Mean Reciprocal Rank) fir seng Evaluatiounsmetriken benotzt. Rival Architekturen getest goufen: S-KNN; GRU4 Rec; S-POP; TEMPEL; BERT 4 Rec; DHCN; GCE-GNN; SR-GNN; an NARM.

De Kader gouf a Chargen vun 100 op trainéiert Adam bei engem Léierrate vun 0.001, mat der Unzuel vun Themen op 24 respektiv 20 gesat, fir Pet Supplies an Filmer an TV.

Éischt publizéiert 1. Februar 2022.