Bruk av anmeldelser til å lage et anbefalingssystem som fungerer

Hvis du noensinne har kjøpt en vare på nettet og undret deg over hvor lite relevante og uviktige “relaterte varer” som plager kjøps- og salgsprosessen er, forstår du allerede at populære og mainstream anbefalingssystemer tendrer til å svikte når det gjelder å forstå relasjonene mellom potensielle kjøp.

Hvis du kjøper en uvanlig og sjelden vare, som en ovn, er anbefalinger for andre ovner sannsynligvis overflødig, selv om de verste anbefalingssystemene ikke erkjenner dette. I 2000-årene, for eksempel, skapte TiVOs anbefalingssystem en tidlig kontrovers i denne sektoren ved å tildele en bruker en annen kjønnsidentitet, som deretter forsøkte å “gjøre sin brukerprofil maskulin” ved å velge krigsfilmer – en grov tilnærming til algoritme-revisjon.

Verre enn det, trenger du ikke å faktisk kjøpe noe på (for eksempel) Amazon, eller faktisk begynne å se en film hvis beskrivelse du ser på en stor strømmingtjeneste, for at informasjons-svake anbefaling-algoritmer skal begynne å gå feil; søk, dvelling og klikk på “detaljer”-sider er nok, og denne sparsomme (og sannsynligvis feilaktige) informasjonen vil sannsynligvis bli videreført i fremtidige browsesessioner på plattformen.

Prøver å få et anbefalingssystem til å glemme

Noen ganger er det mulig å intervenere: Netflix tilbyr et “tommer opp/ned”-system som i teorien skal hjelpe deres maskinlæringsalgoritmer med å fjerne bestemte innebygde konsepter og ord fra din anbefalingsprofil (selv om effikthyten har blitt spurt, og det fortsatt er mye enklere å utvikle en personlig anbefaling-algoritme fra scratch enn å fjerne uønskede ontologier), mens Amazon lar deg fjerne titler fra din kunde-historikk, som bør nedgradere enhver uvelkommen domene som har infiltrert dine anbefalinger.

Hulu har en tilsvarende funksjon, mens HBO Max har delvis trukket seg tilbake fra algoritme-baserte anbefalingssystemer, i lys av deres nåværende mangler.

Ingen av disse strengt forbruker-orienterte erfaringer berører overhode den utbredte og voksende kritikken av “passive” annonseringsplattform-anbefalingssystemer (hvor merkbare endringer er på vei på grunn av offentlig irritasjon), eller den brennende temaet om sosiale medier AI-anbefalinger, hvor nettsteder som YouTube, Twitter og Facebook fortsatt tåler kritikk for ikke-relevante eller skadelige anbefalinger.

Maskinen ser ikke ut til å vite hva vi ønsker, med mindre vi ønsker den tilstøtende varen som dukket opp i vårt søk – selv om den varen er i realiteten en duplikat eller alternativ til hovedvaren som vi kanskje nettopp har kjøpt, snarere enn en potensiell komplementær eller hjelpevare.

Nøyaktige anbefalinger med anmeldelsesdata

Et nytt forskningssamarbeid fra Kina og Australia tilbyr en ny metode for å håndtere slike ikke-relevante anbefalinger, ved å bruke eksterne brukeranmeldelser for å få en bedre forståelse av de virkelige relasjonene mellom varer i en handle-session. I tester, overgikk arkitekturen alle nåværende state-of-the-art-metoder, og tilbød håp for anbefalingssystemer som har en bedre intern kart over avhengighetene mellom varer:

RI-GNN overgår store konkurrenter i nøyaktighet av relasjoner mellom varer, og utfører best på sesjoner med mer enn fem varer. Systemet ble testet mot Pet Supplies og Movies and TV-datasettene fra Amazon Review Data (2018). Kilde: https://arxiv.org/pdf/2201.12532.pdf

For å være eksakt, adresserer prosjektet også den bemerkelsesverdige utfordringen med å lage anbefalinger selv i anonyme sesjoner, hvor anbefalingssystemet ikke har tilgang til brukerbidragsdetaljer, som kjøpehistorikk eller brukerens egne nett-anmeldelser av tidligere kjøp.

Den nye artikkelen heter Rethinking Adjacent Dependency in Session-based Recommendations, og kommer fra forskere ved Qilu University of Technology og Beijing Institute of Technology i Kina, RMIT University i Melbourne, og Australian Artificial Intelligence Institute ved University of Technology Sydney.

Hva kommer neste?

Kjerneposten med sesjonsbaserte anbefalinger (SBR) er å bestemme “neste” vare fra den nåværende varen, basert på dens beregnede relasjon til den nåværende varen. I praktisk sammenheng kan dette manifestere seg som en liste over “Relaterte varer” på en vare-side på en e-handelsnettsted.

Hvis du kjøper en fuglebur, hva trenger du sannsynligvis? Vel, i alle fall, trenger du en fugl å plassere i den – det er en sann avhengighet. Imidlertid er fugleburet en del av ontologien dyrevarer, hvor fugler ikke selges. Pervers, kattmat ligger i samme ontologi, selv om å legge til en katt-matbolle som en assosiert anbefaling for en fuglebur-vare er en feil avhengighet – en feilaktig og misledende assosiasjon.

Fra artikkelen: sanne og feil relasjoner mellom flere varer, visualisert på høyre side som en inter-vare graf.

Som så ofte er tilfelle i maskinlæringsarkitekturer, er det en utfordring å overtale et anbefalingssystem til å tro at en “fjern” enhet (fugl er ikke med i dyreprodukter) kan ha en intrinsisk og viktig relasjon til en vare, mens varer som er i samme kategori og svært nære i funksjon og sentral konsept (som katt-matbolle) kan være ortogonale eller direkte motsatte av kjøpet som vurderes.

Den eneste måten å skape disse kartene mellom “ikke-tilstøtende” enheter på er å crowdsourcere problemet, ettersom relasjonene i spørsmål er en del av menneskelig erfaring, kan ikke gjettes programmeringsmessig, og er sannsynligvis utenfor omfanget av konvensjonelle tilnærminger til datasett-merking, som Amazon Mechanical Turk.

Derfor har forskerne brukt naturlig språkbehandling (NLP) mekanismer til å trekke ut fremtredende ord fra anmeldelser av en vare, og har brukt frekvenser fra disse analyser til å skape innkapslinger i stand til å “matche” åpenbart fjerne varer.

Arkitekturen for Review-refined Inter-item Graph Neural Network (RI-GNN).

Arkitektur og data

Som den nye artikkelen noterer, har tidligere arbeid av en lignende natur utnyttet en innloggede brukers egen anmeldelseshistorikk for å gi rudimentære kart. DeepCONN og RNS begge brukte denne tilnærmingen. Imidlertid diskonterer dette faktum at en bruker kanskje ikke har skrevet noen anmeldelser, eller noen anmeldelser som er relevante for en bestemt vare som er “utenfor” deres vanlige kjøpsvaner. Dessuten er dette en slags “hvit boks”-tilnærming, ettersom det antar at brukeren allerede har engasjert seg tilstrekkelig med utgangspunktet til å lage en konto og logge inn.

Den utvidede grafneuralen nettverket (GNN) foreslått av forskerne tar en mer orakel-drevet tilnærming, og avleder sanne avhengigheter a priori, så at, antageligvis, den anonyme og logged-out brukeren kan oppleve mer relevante anbefalinger med minimalt innputt påkrevd.

Anmeldelses-forbedrede systemet er tittelen Review-refined Inter-item Graph Neural Network (RI-GNN). Forskerne har testet det mot to datasett fra Amazon, Dyrevarer og Filmer og TV. Selv om dette løser problemet med anmeldelses-tilgjengelighet ganske pent, ville en implementering i felten trenge å finne og skrape en passende anmeldelses-database. En slik datasett-kilde kunne, i teorien, være hva som helst fra innlegg på et sosialt nettverk til svar på Quora.

Høy-nivå relasjons-kart av denne typen ville, i tillegg, være verdifulle for en rekke maskinlærings-applikasjoner utenfor anbefalingssystemer. Mange nåværende prosjekter er hindret av manglende inter- og intra-domene-kart på grunn av begrensede midler og omfang, mens det kommersielle imperativet av et virkelig kunnskapsrikt og crowdsourcet e-handels-anbefalingssystem kunne potensielt fylle denne gapen.

Mål og testing

Forfatterne testet RI-GNN mot to versjoner av hver datasett, hver av dem består av en brukers kjøpehistorikk og generelle anmeldelser av produktet. Varer som dukket opp mindre enn fem ganger ble fjernet, og brukerhistorikken ble delt inn i enheter på en uke. Den første datasett-versjonen inneholdt alle sesjoner med mer enn en vare, og den andre alle sesjoner med over fem varer.

Prosjektet brukte P@K (Presisjon) og MRR@K (Gjennomsnittlig reciprokt rang) for sine evaluering-mål. Rival-arkitekturer som ble testet var: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; og NARM.

Rammeverket ble trent i batcher på 100 på Adam med en læringsrate på 0,001, med antall emner satt til 24 og 20, henholdsvis, for Dyrevarer og Filmer og TV.

Først publisert 1. februar 2022.