De ce IA nu oferă recomandări de produse mai bune

Dacă sunteți interesați de lucruri obscure, există două motive pentru care căutările dvs. pentru articole și produse sunt probabil mai puțin legate de interesele dvs. decât cele ale “mainstream”-ului dvs.; fie sunteți un “caz de margine” de monetizare, a cărui interese vor fi deservite doar dacă sunteți și în categoriile superioare de putere de cumpărare economică (de exemplu, produse și servicii legate de “managementul bogăției”); sau algoritmii de căutare pe care îi utilizați folosesc filtrare colaborativă (CF), care favorizează interesele majorității.

Deoarece filtrarea colaborativă este mai ieftină și mai bine stabilită decât alte algoritmi și cadre de lucru potențial mai capabile, este posibil ca ambele cazuri să se aplice.

Rezultatele căutării bazate pe CF vor prioritiza articolele percepute ca fiind populare printre “oameni ca tine”, în funcție de cât de bine poate înțelege sistemul-gazdă ce fel de consumator sunteți.

Dacă sunteți precauți în a furniza informații de profilare a datelor către sistemul-gazdă – de exemplu, nu sunteți înclinați să apăsați butoanele “Îmi place” în serviciile de conținut video, cum ar fi Netflix – sunteți probabil să fiți clasificat destul de generic în interacțiunile dvs. inițiale cu sistemul, iar recomandările pe care le primiți vor reflecta tendințele cele mai populare.

Pe o platformă de streaming, acest lucru ar putea însemna să fiți recomandat orice spectacole și filme sunt în prezent “la modă”, cum ar fi reality TV și documentare de crimă, indiferent de interesul dvs. pentru acestea. La fel și pentru platformele de recomandare de cărți, care tind să ofere best-seller-uri actuale și recente, aparent în mod arbitrar.

În teorie, chiar și utilizatorii care sunt circumspecți în ceea ce privește datele ar trebui să obțină în cele din urmă rezultate mai bune de la astfel de sisteme, pe baza modului în care le utilizează și a lucrurilor pe care le caută, deoarece majoritatea cadrului de căutare oferă utilizatorilor o capacitate limitată de a edita istoricul de utilizare.

Ori ce culoare vrei, atâta timp cât e neagră

Conform unui nou studiu din Austria, ascendența filtrării colaborative asupra filtrării bazate pe conținut (care încearcă să definească relații între produse, în loc de a lua doar popularitatea agregată în considerare) și a altor abordări alternative, înclină sistemele de căutare spre o înclinație spre popularitate pe termen lung, în care rezultatele evident populare sunt împinse către utilizatori care sunt puțin probabil să fie entuziasmați de ele.

Studiul constată că utilizatorii care nu sunt interesați de articole populare primesc “recomandări semnificativ mai slabe” decât utilizatorii cu interes mediu sau ridicat pentru popularitate și (poate tautologic) că articolele populare sunt recomandate mai frecvent decât cele nepopulare. Cercetătorii concluzionează, de asemenea, că utilizatorii cu un interes scăzut pentru articole populare tind să aibă profiluri de utilizator mai mari, care ar putea îmbunătăți sistemele de recomandare – dacă doar sistemele ar putea să-și învingă “dependența de metrici de turmă”.

Printre algoritmii evaluați s-au numărat două variante K-Nearest Neighbors (KNN), UserKNN și UserKNNAvg. Primul dintre acestea nu generează o evaluare medie pentru utilizatorul și articolul țintă. O variantă non-negativă de factorizare a matricii (NMF) a fost, de asemenea, testată, împreună cu un algoritm CoClustering.

Domenii acoperite

Studiul a examinat patru domenii: cărți digitale (prin setul de date BookCrossing); filme (prin MovieLens); muzică (prin Last.fm); și anime (prin MyAnimeList).

Studiul a aplicat patru algoritmi de recomandare colaborativă populari pentru multimedia (MMRS) împotriva seturilor de date împărțite în trei grupuri de utilizatori, în funcție de înclinația lor de a fi receptivi la rezultate “populare”: LowPop, MedPop și HighPop. Grupurile de utilizatori au fost filtrate până la 1000 de grupuri de dimensiuni egale, pe baza celor mai puțin, mediu și mai probabil să favorizeze rezultate “populare”.

Calea “ușoară” de a ieși

Deși filtrarea colaborativă este din ce în ce mai utilizată ca o parte a unei strategii mai ample de algoritm de căutare, are o cotă importantă în sectorul căutării și are o logică și o posibilitate de profitabilitate atractiv de ușor de înțeles.

În sine, CF însuși descarcă sarcina de a evalua valoarea conținutului către utilizatorii finali și folosește adoptarea conținutului de către aceștia ca indice al valorii și al potențialei atractivități pentru alți clienți. Prin analogie, este esențialmente o hartă a “bârfei de la fântână”.

Cine folosește filtrarea colaborativă?

La momentul scrierii, motorul de recomandare criticat al Netflix rămâne fixat pe diverse abordări de filtrare colaborativă, aplicând o varietate de tehnologii auxiliare în încercări continue de a genera recomandări mai relevante pentru utilizator.

Motorul de căutare al Amazon a evoluat de la adoptarea inițială a filtrării colaborative bazate pe utilizator la o metodă de filtrare colaborativă articol-articol, care pune un accent mai mare pe istoricul de cumpărături al clientului. Firesc, acest lucru poate duce la tipuri diferite de inexactitate, cum ar fi bule de filtrare, sau accentuarea excesivă a datelor rare. În ultimul caz, dacă un client rar al Amazon face o “cumpărătură neobișnuită”, cum ar fi un set de operete pentru un prieten iubitor de operă, nu ar putea exista achiziții alternative care să reflecte preferințele clientului pentru a preveni ca această cumpărătură să devină o influență asupra propriilor recomandări.

Filtrarea colaborativă este, de asemenea, utilizată pe scară largă de Facebook, în concert cu alte abordări, și de LinkedIn, YouTube și Twitter.

Prim publicat pe 2 martie 2022.