Wykorzystanie recenzji do tworzenia systemu rekomendacji, który działa

Jeśli kiedykolwiek kupiłeś produkt online i zdziwiłeś się nieprzydatnością i nieodpowiedniością “powiązanych przedmiotów”, które prześladują proces kupowania i posprzedażowy, już rozumiesz, że popularne i główny nurt systemy rekomendacji mają tendencję do niepowodzenia w zrozumieniu relacji między potencjalnymi zakupami.

Jeśli kupisz nieprawdopodobny i rzadki przedmiot, taki jak piekarnik, zalecenia dotyczące innych piekarników są prawdopodobnie zbędne, chociaż najgorsze systemy rekomendacji nie uznają tego. Na przykład w latach 2000. system rekomendacji TiVO wywołał wczesny skandal w tym sektorze, przypisując użytkownikowi postrzeganą płciowość, który następnie próbował “przemężyć” swój profil użytkownika, wybierając filmy wojenne – prymitywny sposób na rewizję algorytmu.

Co gorsza, nie musisz niczego kupować (na przykład na Amazonie) lub nawet zacząć oglądać filmu, którego opis przeglądasz na dużej platformie streamingowej, aby głodne informacji algorytmy rekomendacji zaczęły ścieżkę błędu; wyszukiwania, postoje i kliknięcia w strony “szczegóły” są wystarczające, a ta skąpa (i prawdopodobnie błędna) informacja będzie prawdopodobnie utrwalona w przyszłych sesjach przeglądania na platformie.

Próba zmuszenia systemu rekomendacji do zapomnienia

Czasami jest możliwe interweniowanie: Netflix zapewnia system “kciuk w górę / kciuk w dół”, który teoretycznie powinien pomóc jego algorytmom maszynowym usunąć pewne wbudowane pojęcia i słowa z Twojego profilu rekomendacji (chociaż jego skuteczność została poddana w wątpliwość, i nadal jest znacznie łatwiej ewoluować algorytm rekomendacji od podstaw niż usunąć niepożądane ontologie), podczas gdy Amazon pozwala usunąć tytuły z historii klienta, co powinno obniżyć niechciane domeny, które przeniknęły do rekomendacji.

Hulu ma podobną funkcję, podczas gdy HBO Max częściowo wycofał się z systemów rekomendacji opartych wyłącznie na algorytmach, w obliczu ich obecnych niedostatków.

Żadne z tych doświadczeń na poziomie konsumenta nie dotyka nawet powszechnego i rosnącego krytycyzmu wobec “biernych” platform reklamowych systemów rekomendacji (gdzie zauważalna zmiana jest z powodu publicznej złości), czy też palącego tematu rekomendacji AI w mediach społecznościowych, gdzie strony takie jak YouTube, Twitter i Facebook nadal przechodzą krytykę za nieistotne lub nawet szkodliwe rekomendacje.

Maszyna nie zdaje się wiedzieć, czego chcemy, chyba że chcemy przedmiotu obok, który pojawił się w naszym wyszukiwaniu – nawet jeśli ten przedmiot jest podstawowym duplikatem lub alternatywą dla głównego przedmiotu, który możemy właśnie kupić, zamiast potencjalnego uzupełniającego lub pomocniczego zakupu.

Dokładne rekomendacje z danymi z recenzji

Nowe badanie naukowe z Chin i Australii oferuje nową metodę rozwiązania takich nieodpowiednich rekomendacji, wykorzystując zewnętrzne recenzje użytkowników, aby lepiej zrozumieć prawdziwe relacje między przedmiotami w sesji zakupowej. W testach architektura ta przewyższyła wszystkie obecne metody na poziomie stanu sztuki, oferując nadzieję na systemy rekomendacji, które mają lepszą wewnętrzną mapę zależności przedmiotów:

RI-GNN przewyższa głównych konkurentów pod względem dokładności relacji między przedmiotami, wykonując najlepiej w sesjach z więcej niż pięcioma przedmiotami. System został przetestowany wobec zestawów danych Pet Supplies i Movies and TV z Amazon Review Data (2018). Źródło: https://arxiv.org/pdf/2201.12532.pdf

Co więcej, projekt rozwiązuje znaczące wyzwanie tworzenia rekomendacji nawet w anonimowych sesjach, gdzie system rekomendacji nie ma dostępu do danych użytkownika, takich jak historia zakupów lub recenzje użytkownika dotyczące poprzednich zakupów.

Nowy artykuł nosi tytuł Rethinking Adjacent Dependency in Session-based Recommendations i pochodzi od badaczy z Qilu University of Technology i Beijing Institute of Technology w Chinach, RMIT University w Melbourne oraz Australian Artificial Intelligence Institute na University of Technology Sydney.

Co dalej?

Podstawowym zadaniem rekomendacji opartych na sesjach (SBR) jest określenie “następnego” przedmiotu od bieżącego, na podstawie jego obliczonej relacji do bieżącego przedmiotu. W praktyce może to objawić się jako lista “Powiązanych przedmiotów” na stronie przedmiotu dla klatki ptasiej na stronie e-commerce.

Jeśli kupujesz klatkę ptasiego, co jeszcze prawdopodobnie będziesz potrzebować? Cóż, przynajmniej będziesz potrzebować ptaka, aby go umieścić w niej – to prawdziwa zależność. Jednak klatka ptasiego jest uwzględniona w ontologii artykuły dla zwierząt domowych, gdzie ptaki nie są sprzedawane. Perverzalnie, żywność dla kotów znajduje się w tej samej ontologii, chociaż dołączenie miski karmy dla kotów jako zalecanej rekomendacji dla produktu klatki ptasiej jest fałszywą zależnością – błędnym i mylnym skojarzeniem.

Z artykułu: prawdziwe i fałszywe relacje między kilkoma przedmiotami, wizualizowane na prawo jako graf międzyprzedmiotowy.

Jak to często bywa w architekturach maszynowych, jest to wyzwanie, aby przekonać system rekomendacji, że “odległa” jednostka (ptak nie pojawia się w ogóle w artykułach dla zwierząt domowych) może mieć wewnętrzną i ważną relację z przedmiotem, podczas gdy przedmioty, które są w tej samej kategorii i bardzo bliskie w funkcji i centralnym pojęciu (takie jak miska karmy dla kotów), mogą być ortogonalne lub bezpośrednio przeciwne do rozważanego zakupu.

Jedynym sposobem, aby utworzyć te mapowania między “nieprzyległymi” jednostkami, jest crowdsourcing problemu, ponieważ relacje, o które chodzi, są aspektem ludzkiego doświadczenia, nie mogą być zgadywane programowo i są prawdopodobnie poza przystępnym zakresem konwencjonalnych podejść do etykietowania zestawów danych, takich jak Amazon Mechanical Turk.

Dlatego badacze wykorzystali mechanizmy Przetwarzania Języka Naturalnego (NLP), aby wyodrębnić istotne słowa z recenzji produktu i wykorzystali częstotliwości z tych analiz, aby utworzyć osadzanie zdolne do “dopasowania” pozornie odległych przedmiotów.

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

Architektura i dane

Jak zauważa nowy artykuł, poprzednie prace o podobnej naturze wykorzystywały własną historię recenzji zalogowanego użytkownika, aby zapewnić podstawowe mapowania. DeepCONN i RNS oba wykorzystywały to podejście. Jednak to pomija fakt, że użytkownik może nie napisał żadnych recenzji lub żadnych recenzji istotnych dla konkretnego przedmiotu, który jest “poza zasięgiem” jego zwyczajowych nawyków zakupowych. Dodatkowo, to jest rodzaj “białej skrzynki” podejście, ponieważ zakłada, że użytkownik już zaangażował się wystarczająco z platformą, aby utworzyć konto i zalogować się.

Rozszerzony Graf Neural Network (GNN) zaproponowany przez badaczy przyjmuje bardziej oracle-driven podejście, wyznaczając prawdziwe zależności a priori, tak aby, przypuszczalnie, anonimowy i wylogowany użytkownik mógł doświadczyć bardziej istotnych rekomendacji z minimalnym wymaganiem wejścia.

System rekomendacji uzupełniony recenzjami nosi tytuł Review-refined Inter-item Graph Neural Network (RI-GNN). Badacze przetestowali go wobec dwóch zestawów danych z Amazon, Zwierzęta domowe i Filmy i TV. Chociaż to rozwiązuje problem dostępności recenzji dość ładnie, wdrożenie w terenie wymagałoby znalezienia i pobrania odpowiedniej bazy danych recenzji. Taki źródło danych mogłoby, teoretycznie, być czymś od postów na sieci społecznościowej do odpowiedzi na Quora.

Wysokiego poziomu mapowania relacji tego rodzaju byłoby, dodatkowo, cenne dla szeregu aplikacji maszynowych poza systemami rekomendacji. Wiele obecnych projektów jest ograniczonych przez brak mapowania między i wewnątrz domen z powodu ograniczonych funduszy i zakresu, podczas gdy komercyjny impuls naprawdę wiedzącego i crowdsourcingowego systemu rekomendacji e-commerce mógłby potencjalnie wypełnić tę lukę.

Metryki i testowanie

Autorzy przetestowali RI-GNN wobec dwóch wersji każdego zestawu danych, z których każdy składa się z historii zakupów użytkownika i ogólnych recenzji produktu. Przedmioty, które pojawiają się mniej niż pięć razy, zostały usunięte, a historia użytkownika została podzielona na jednostki tygodniowe. Pierwsza wersja zestawu danych zawierała wszystkie sesje z więcej niż jednym przedmiotem, a druga wszystkie sesje z ponad pięcioma przedmiotami.

Projekt wykorzystywał P@K (Precyzja) i MRR@K (Średni Odwrotny Ranga) jako metryki oceny. Rywalizujące architektury, które zostały przetestowane, to: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; i NARM.

Ramę przeszkolono w partiach po 100 na Adam z szybkością uczenia 0,001, z liczbą tematów ustawioną na 24 i 20, odpowiednio, dla Zwierzęta domowe i Filmy i TV.

Po raz pierwszy opublikowano 1 lutego 2022 r.