Utilizarea recenziilor pentru a crea un sistem de recomandare care funcționează

Dacă ați cumpărat vreodată un produs online și v-ați mirat de inutilitatea și lipsa de aplicabilitate a “articolelor asociate” care vă urmăresc în timpul procesului de cumpărare și după vânzare, înțelegeți deja că sistemele de recomandare populare și mainstream tind să nu înțeleagă relațiile dintre achizițiile potențiale.

Dacă cumpărați un articol neobișnuit și rar, cum ar fi un cuptor, recomandările pentru alte cuptoare sunt probabil să fie inutile, deși cele mai proaste sisteme de recomandare nu recunosc acest lucru. În anii 2000, de exemplu, sistemul de recomandare al lui TiVO a creat o controversă timpurie în acest sector, reatribuind percepția sexuală a unui utilizator, care ulterior a încercat să-și “rebărbațească” profilul de utilizator selectând filme de război – o abordare crudă pentru revizuirea algoritmului.

Mai rău, nu trebuie să cumpărați nimic la (de exemplu) Amazon sau să începeți să urmăriți un film a cărui descriere o citiți la o platformă de streaming majoră, pentru ca algoritmii de recomandare înfometați de informații să înceapă să meargă pe drumul greșit; căutările, vizitele și clicurile pe paginile “detalii” sunt suficiente, iar aceste informații puține (și probabil incorecte) sunt probabil să fie perpetuate în sesiunile viitoare de navigare pe platformă.

Încercarea de a un sistem de recomandare să uite

Uneori este posibil să interveniți: Netflix oferă un sistem de “thumbs up/down” care ar trebui, în teorie, să ajute algoritmii de învățare automată să elimine anumite concepte și cuvinte încorporate din profilul dvs. de recomandare (deși eficacitatea sa a fost pusă sub semnul întrebării, și rămâne mult mai ușor să evoluați un algoritm de recomandare personalizat de la zero decât să eliminați ontologii nedorite), în timp ce Amazon vă permite să eliminați titluri din istoricul dvs. de client, ceea ce ar trebui să degradeze orice domenii nedorite care au infiltrat recomandările dvs.

Hulu are o caracteristică similară, în timp ce HBO Max a retras parțial de la sistemele de recomandare doar algoritmice, în fața limitărilor lor actuale.

Niciuna dintre aceste experiențe strict la nivel de consumator nu atinge criticile larg răspândite și în creștere ale “platformelor de publicitate pasive” de recomandare (unde se așteaptă o schimbare notabilă din cauza irei publice), sau subiectul incendiar al recomandărilor de inteligență artificială din rețelele sociale, unde site-urile precum YouTube, Twitter și Facebook continuă să sufere critici pentru recomandări nerelevante sau chiar dăunătoare.

Mașina nu pare să știe ce vrem, cu excepția cazului în care vrem articolul adiacent care a apărut în căutarea noastră – chiar dacă acel articol este esențialmente o copie sau o alternativă a articolului principal pe care l-am cumpărat recent, mai degrabă decât o achiziție complementară sau auxiliară potențială.

Recomandări precise cu date de recenzie

O nouă colaborare de cercetare din China și Australia oferă o metodă nouă pentru a aborda astfel de recomandări neadecvate, utilizând recenziile externe ale utilizatorilor pentru a obține o înțelegere mai bună a relațiilor reale dintre articole într-o sesiune de cumpărături. În testele efectuate, arhitectura a depășit toate metodele actuale de ultimă generație, oferind speranțe pentru sisteme de recomandare care au o hartă internă mai bună a dependențelor articolelor:

RI-GNN depășește competitorii importanți în ceea ce privește acuratețea relațiilor dintre articole, realizând cel mai bine în sesiunile cu mai mult de cinci articole. Sistemul a fost testat împotriva seturilor de date Pet Supplies și Movies and TV de la Amazon Review Data (2018). Sursă: https://arxiv.org/pdf/2201.12532.pdf

În plus, proiectul abordează provocarea notabilă de a crea recomandări chiar și în sesiunile anonime, în care sistemul de recomandare nu are acces la detalii furnizate de utilizator, cum ar fi istoricul de cumpărături sau recenziile proprii ale utilizatorului pentru achizițiile anterioare.

Articolul nou articol se numește Rethinking Adjacent Dependency in Session-based Recommendations și provine de la cercetători de la Universitatea Tehnologică Qilu și Institutul Tehnologic Beijing din China, Universitatea RMIT din Melbourne și Institutul Australian de Inteligență Artificială de la Universitatea Tehnologică din Sydney.

Următorul pas

Sarcina principală a recomandărilor bazate pe sesiune (SBR) este de a determina “următorul” articol de la articolul curent, pe baza relației sale calculate cu articolul curent. În termeni practici, acest lucru ar putea fi manifestat sub forma unei liste de “Articole asociate” pe o pagină de articol pentru o cușcă de păsări pe un site web de comerț electronic.

Dacă cumpărați o cușcă de păsări, ce altceva aveți nevoie? Ei bine, cel puțin, veți avea nevoie de o pasăre pe care să o puneți în ea – aceasta este o dependență adevărată. Cu toate acestea, cușca de păsări este prezentată în ontologia produse pentru animale de companie, unde păsările nu sunt vândute. Pervers, hrana pentru pisici se află în aceeași ontologie, deși adăugarea unei farfurii pentru hrana pisicilor ca o recomandare asociată pentru un produs de cușcă de păsări este o dependență falsă – o asociere greșită și înșelătoare.

Din articol: relații adevărate și false între mai multe articole, vizualizate pe dreapta sub formă de grafic de articole.

De multe ori, în arhitecturile de învățare automată, este o provocare să convingem un sistem de recomandare că o “entitate îndepărtată” (pasărea nu apare deloc în produse pentru animale de companie) poate avea o relație intrinsecă și importantă cu un articol, în timp ce articolele care se află în aceeași categorie și sunt foarte apropiate în funcție și concept central (cum ar fi farfurie pentru hrana pisicilor) pot fi ortogonale sau direct opuse achiziției luate în considerare.

Singura modalitate de a crea aceste asocieri între “entități neadiacente” este de a externaliza problema, deoarece relațiile în cauză sunt o fațetă a experienței umane, nu pot fi ghicite programatic și sunt probabil dincolo de sfera accesibilă a abordărilor convenționale de etichetare a seturilor de date, cum ar fi Amazon Mechanical Turk.

Prin urmare, cercetătorii au folosit mecanisme de procesare a limbajului natural (NLP) pentru a extrage cuvinte semnificative din recenziile pentru un produs și au utilizat frecvențele din aceste analize pentru a crea încorporări capabile să “asocieze” articole aparent îndepărtate.

Arhitectura pentru Rețeaua Neuronală Grafică Inter-articol Refinită cu Recenzie (RI-GNN).

Arhitectură și date

Așa cum notează noul articol, lucrările anterioare de natură similară au exploatat istoricul de recenzii al unui utilizator conectat pentru a oferi asocieri rudimentare. DeepCONN și RNS au folosit această abordare. Cu toate acestea, acest lucru ignoră faptul că un utilizator poate nu a scris niciun fel de recenzii sau niciun fel de recenzii pertinente pentru un anumit articol care este “în afara gamei” obișnuite de cumpărături. În plus, aceasta este o abordare de “cutie albă”, deoarece se presupune că utilizatorul a interacționat suficient cu punctul de vânzare pentru a crea un cont și a se conecta.

Rețeaua Neuronală Grafică extinsă (GNN) propusă de cercetători adoptă o abordare mai condusă de oracle, derivând dependențe adevărate a priori, astfel încât, presupunând, utilizatorul anonim și deconectat să poată experimenta recomandări mai relevante cu un input minim necesar.

Sistemul de recomandare îmbunătățit cu recenzii se numește Rețeaua Neuronală Grafică Inter-articol Refinită cu Recenzie (RI-GNN). Cercetătorii au testat-o împotriva a două seturi de date de la Amazon, Aprovizionarea animalelor de companie și Filme și TV. Deși acest lucru rezolvă problema disponibilității recenziilor într-un mod destul de elegant, o implementare în sălbăticie ar trebui să găsească și să extragă o bază de date adecvată de recenzii. O astfel de sursă de set de date ar putea, în teorie, să fie orice, de la postări pe o rețea socială la răspunsuri pe Quora.

Hărțile de relații de nivel înalt de acest tip ar fi, de asemenea, valoroase pentru o gamă largă de aplicații de învățare automată, dincolo de sistemele de recomandare. Multe proiecte actuale sunt împiedicate de lipsa de asocieri inter- și intra-domeniu, din cauza fondurilor limitate și a sferei de aplicare, în timp ce impulsul comercial al unui sistem de recomandare de comerț electronic cu adevărat cunoscător și externalizat ar putea, în mod potențial, să umple această lacună.

Metode și testare

Autorii au testat RI-GNN împotriva a două versiuni ale fiecărui set de date, fiecare dintre ele fiind alcătuit din istoricul de cumpărături al unui utilizator și recenziile generale ale produsului. Articolele care apăreau mai puțin de cinci ori au fost eliminate, iar istoricul utilizatorului a fost împărțit în unități de o săptămână. Prima versiune a setului de date a prezentat toate sesiunile cu mai mult de un articol, iar a doua toate sesiunile cu mai mult de cinci articole.

Proiectul a utilizat P@K (Precizie) și MRR@K (Media Reciprocă a Rangului) pentru metricile sale de evaluare. Arhitecturile rivale testate au fost: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; și NARM.

Cadru a fost instruit în loturi de 100 pe Adam la o rată de învățare de 0,001, cu numărul de subiecte setat la 24 și 20, respectiv, pentru Aprovizionarea animalelor de companie și Filme și TV.

Publicat pentru prima dată pe 1 februarie 2022.