Het gebruik van reviews om een aanbevelingssysteem te maken dat werkt

Als je ooit een product online hebt gekocht en je hebt je afgevraagd over de irrelevantie en niet-toepasbaarheid van de ‘gerelateerde artikelen’ die je tijdens het kopen en na de verkoop tegenkomt, begrijp je al dat populaire en mainstream aanbevelingssystemen vaak tekortschieten in het begrijpen van de relaties tussen potentiële aankopen.

Als je een onwaarschijnlijk en zeldzaam item koopt, zoals een oven, zijn aanbevelingen voor andere ovens waarschijnlijk overbodig, hoewel de slechtste aanbevelingssystemen niet erkennen dat dit het geval is. In de jaren 2000 creëerde het aanbevelingssysteem van TiVO bijvoorbeeld een vroeg controversieel onderwerp in deze sector door de waargenomen seksualiteit van een gebruiker te herschrijven, die vervolgens probeerde zijn gebruikersprofiel te ‘her-masculiniseren’ door oorlogsfilms te selecteren – een grove benadering van algoritme-revisie.

Erger nog, je hoeft niets te kopen bij (bijvoorbeeld) Amazon, of zelfs maar een film te beginnen kijken waarvan je de beschrijving bekijkt op een grote streamingplatform, om informatie-hongerige aanbevelingsalgoritmes te laten beginnen met het nemen van de verkeerde weg; zoekopdrachten, vertragingen en klikken op ‘details’-pagina’s zijn voldoende, en deze schamele (en waarschijnlijk onjuiste) informatie zal waarschijnlijk worden voortgezet in toekomstige browsessessies op het platform.

Proberen een aanbevelingssysteem te laten vergeten

Soms is het mogelijk om in te grijpen: Netflix biedt een ‘duim omhoog/duim omlaag’-systeem dat in theorie moet helpen om bepaalde ingebedde concepten en woorden uit je aanbevelingsprofiel te verwijderen (hoewel de effectiviteit in twijfel is getrokken, en het veel gemakkelijker is om een persoonlijk aanbevelingssysteem van scratch te evolueren dan het is om ongewenste ontologieën te verwijderen), terwijl Amazon je toelaat titels uit je klantgeschiedenis te verwijderen, wat moet helpen om ongewenste domeinen die je aanbevelingen zijn binnengedrongen te degraderen.

Hulu heeft een soortgelijke functie, terwijl HBO Max deels is teruggetreden van algoritme-only aanbevelingssystemen, gezien hun huidige tekortkomingen.

Geen van deze strikt consumentgerichte ervaringen raakt de wijdverbreide en groeiende kritiek op ‘passieve’ advertentieplatformaanbevelingssystemen (waar opvallende verandering plaatsvindt vanwege publieke verontwaardiging), of het brandende onderwerp van sociale media-AI-aanbevelingen, waar sites zoals YouTube, Twitter en Facebook blijven lijden onder kritiek voor niet-relevante of zelfs schadelijke aanbevelingen.

De machine lijkt niet te weten wat we willen, tenzij we het naastgelegen item willen dat in onze zoekopdracht naar voren is gekomen – zelfs als dat item in wezen een duplicaat of alternatief is voor het primaire item dat we misschien net hebben gekocht, in plaats van een potentieel complementair of hulpkoopartikel.

Accurate aanbevelingen met reviewgegevens

Een nieuwe onderzoeks samenwerking tussen China en Australië biedt een novate methode om dergelijke niet-relevante aanbevelingen aan te pakken, door externe gebruikersrecensies te gebruiken om een beter begrip te krijgen van de werkelijke relaties tussen artikelen in een winkelsessie. In tests heeft de architectuur alle huidige state-of-the-art-methoden overtroffen, met hoop voor aanbevelingssystemen die een betere interne kaart van de afhankelijkheden van artikelen hebben:

RI-GNN presteert beter dan belangrijke concurrenten in termen van nauwkeurigheid van relaties tussen artikelen, met de beste prestaties in sessies met meer dan vijf artikelen. Het systeem is getest tegen de Pet Supplies en Movies and TV-datasets van Amazon Review Data (2018). Bron: https://arxiv.org/pdf/2201.12532.pdf

Om het af te maken, richt het project zich op de opvallende uitdaging om aanbevelingen te creëren, zelfs in anonieme sessies, waar het aanbevelingssysteem geen toegang heeft tot gebruikersgegevens, zoals aankoopgeschiedenis, of de gebruikers eigen online recensies van eerdere aankopen.

Het nieuwe artikel heet Rethinking Adjacent Dependency in Session-based Recommendations en komt van onderzoekers aan de Qilu University of Technology en het Beijing Institute of Technology in China, RMIT University in Melbourne, en het Australian Artificial Intelligence Institute aan de University of Technology Sydney.

Wat is de volgende stap?

De kernopdracht van sessie-gebaseerde aanbevelingen (SBR) is om het ‘volgende’ item te bepalen op basis van de berekende relatie tot het huidige item. In praktische termen kan dit zich manifesteren als een lijst met ‘Gerelateerde artikelen’ op een artikelpagina voor een vogelkooi op een e-commercewebsite.

Als je een vogelkooi koopt, wat heb je dan waarschijnlijk nog meer nodig? Nou, ten minste, je hebt een vogel nodig om erin te zetten – dat is een ware afhankelijkheid. Echter, de vogelkooi wordt weergegeven in de ontologie huisdierartikelen, waar vogels niet worden verkocht. Pervers, katvoer zit in dezelfde ontologie, hoewel het toevoegen van een katvoerbak als een geassocieerde aanbeveling voor een vogelkooi-product een vals afhankelijkheid is – een verkeerde en misleidende associatie.

Uit het artikel: ware en valse relaties tussen verschillende artikelen, weergegeven als een inter-artikelgrafiek.

Net als zo vaak in machine learning-architecturen, is het een uitdaging om een aanbevelingssysteem te overtuigen dat een ‘verre’ entiteit (vogel komt niet voor in huisdierproducten) een intrinsieke en belangrijke relatie kan hebben met een artikel, terwijl artikelen die in dezelfde categorie zitten en zeer dichtbij in functionaliteit en centraal concept (zoals katvoerbak) orthogonaal of rechtstreeks tegenovergesteld kunnen zijn aan de aankoop die in overweging wordt genomen.

De enige manier om deze kaarten tussen ‘niet-aangrenzende’ entiteiten te maken, is om het probleem te crowdsourcen, aangezien de relaties in kwestie een facet zijn van menselijke ervaring, niet programmatisch kunnen worden geraden en waarschijnlijk buiten het bereik van conventionele benaderingen van dataset-labeling liggen, zoals Amazon Mechanical Turk.

Daarom hebben de onderzoekers Natural Language Processing (NLP)-mechanismen gebruikt om prominente woorden uit recensies voor een product te extraheren en hebben ze frequenties uit deze analyses gebruikt om embeddings te maken die in staat zijn om ogenschijnlijk verre artikelen te ‘matchen’.

De architectuur voor Review-refined Inter-item Graph Neural Network (RI-GNN).

Architectuur en gegevens

Zoals het nieuwe artikel opmerkt, hebben eerdere werken van soortgelijke aard een aangemeld gebruikers eigen reviewgeschiedenis gebruikt om rudimentaire kaarten te bieden. DeepCONN en RNS gebruikten deze benadering. Echter, dit negeert het feit dat een gebruiker geen recensies heeft geschreven, of geen recensies die relevant zijn voor een bepaald artikel dat ‘buiten bereik’ is van hun gebruikelijke aankoopgewoonten. Bovendien is dit een soort ‘witte doos’-benadering, aangezien het ervan uitgaat dat de gebruiker al voldoende heeft geëngageerd met de uitlaat om een account te maken en in te loggen.

De uitgebreide Graph Neural Network (GNN) die door de onderzoekers wordt voorgesteld, neemt een meer orakel-gedreven benadering, waarbij ware afhankelijkheden a priori worden afgeleid, zodat, vermoedelijk, de anonieme en uitgelogde gebruiker meer relevante aanbevelingen kan ervaren met minimale invoer vereist.

Het review-geverfijnde systeem heet Review-geverfijnde Inter-item Graph Neural Network (RI-GNN). De onderzoekers hebben het getest tegen twee datasets van Amazon, Huisdierartikelen en Films en TV. Hoewel dit het probleem van reviewbeschikbaarheid vrij netjes oplost, zou een implementatie in het wild een geschikte reviewsdatabase moeten vinden en schrapen. Een dergelijke datasetbron kan in theorie alles zijn, van berichten op een sociaal netwerk tot antwoorden op Quora.

Hoogwaardige relatiekaarten van deze aard zouden bovendien waardevol zijn voor een reeks machine learning-toepassingen buiten aanbevelingssystemen. Veel huidige projecten worden gehinderd door een gebrek aan inter- en intra-domeinmapping vanwege beperkte middelen en bereik, terwijl de commerciële impuls van een echt kundig en crowdsourced e-commerce-aanbevelingssysteem mogelijk deze kloof kan vullen.

Metrieken en testen

De auteurs hebben RI-GNN getest tegen twee versies van elke dataset, elk bestaande uit een gebruikersaankoopgeschiedenis en algemene recensies van het product. Artikelen die minder dan vijf keer voorkwamen, werden verwijderd, en de gebruikersgeschiedenis werd gesplitst in eenheden van een week. De eerste datasetversie bevatte alle sessies met meer dan één artikel, en de tweede alle sessies met meer dan vijf artikelen.

Het project gebruikte P@K (Precisie) en MRR@K (Gemiddelde Reciproke Rang) voor de evaluatiemetrieken. Rivaliserende architectuur die getest werd, waren: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; en NARM.

Het kader is getraind in batches van 100 op Adam met een leersnelheid van 0,001, met het aantal onderwerpen ingesteld op 24 en 20, respectievelijk, voor Huisdierartikelen en Films en TV.

Origineel gepubliceerd op 1 februari 2022.