Использование отзывов для создания эффективной системы рекомендаций

Если вы когда-либо покупали товар в интернете и были поражены бессмысленностью и неуместностью “похожих товаров”, которые преследуют процесс покупки и после продажи, вы уже понимаете, что популярные и широко используемые системы рекомендаций часто не оправдывают ожиданий в понимании связей между потенциальными покупками.

Если вы покупаете необычный и редкий товар, такой как духовка, рекомендации других духовок, скорее всего, будут излишними, хотя самые плохие системы рекомендаций не признают это. В 2000-х годах, например, система рекомендаций TiVO создала ранний скандал в этой области, переназначив воспринимаемую сексуальность пользователя, который впоследствии попытался “перемаскулинить” свой профиль пользователя, выбрав военные фильмы – довольно грубый подход к пересмотру алгоритма.

Хуже того, вам не нужно фактически покупать что-либо на (например) Amazon или начинать смотреть фильм, чье описание вы просматриваете на любой крупной платформе потокового вещания, чтобы информационно-оголодавшие алгоритмы рекомендаций начали идти по неправильному пути; поиски, задержки и клики на страницы “подробностей” достаточно, и эта скудная (и, вероятно, неверная) информация, скорее всего, будет сохранена в будущих сессиях просмотра на платформе.

Попытка заставить систему рекомендаций забыть

Иногда возможно вмешаться: Netflix предоставляет систему “вверх/вниз”, которая, по теории, должна помочь его алгоритмам машинного обучения удалить определенные встроенные понятия и слова из вашего профиля рекомендаций (хотя его эффективность была поставлена под сомнение, и остается намного проще создать персонализированную систему рекомендаций с нуля чем удалить нежелательные онтологии), в то время как Amazon позволяет удалить названия из вашей истории покупок, что должно понизить любые нежелательные области, которые проникли в ваши рекомендации.

Hulu имеет podobную функцию, в то время как HBO Max частично отступил от алгоритмических систем рекомендаций, в связи с их текущими недостатками.

Ни один из этих строго потребительских опытов даже не касается широко распространенной и растущей критики “пассивных” систем рекомендаций платформ рекламы (где заметные изменения из-за общественного гнева), или горячей темы рекомендаций социальных сетей на основе ИИ, где сайты, такие как YouTube, Twitter и Facebook продолжают терпеть критику за нерелевантные или даже вредные рекомендации.

Машина, кажется, не знает, чего мы хотим, если только мы не хотим смежного предмета, который появился в нашем поиске – даже если этот предмет по сути является дубликатом или альтернативой основному предмету, который мы только что купили, а не потенциальным дополнительным или вспомогательным покупкой.

Точные рекомендации с помощью данных обзоров

Новое исследовательское сотрудничество из Китая и Австралии предлагает новый метод решения таких неуместных рекомендаций, используя внешние отзывы пользователей для лучшего понимания реальных связей между предметами в сессии покупки. В тестах архитектура превзошла все современные методы, предлагая надежду на системы рекомендаций, которые имеют лучшую внутреннюю карту зависимостей предметов:

RI-GNN превосходит основных конкурентов в точности связей между предметами, показывая лучшие результаты в сессиях с более чем пятью предметами. Система была протестирована на наборах данных Pet Supplies и Movies and TV из Amazon Review Data (2018). Источник: https://arxiv.org/pdf/2201.12532.pdf

Кроме того, проект решает заметную задачу создания рекомендаций даже в анонимных сессиях, где система рекомендаций не имеет доступа к данным пользователя, таким как история покупок, или собственные онлайн-отзывы пользователя о предыдущих покупках.

Новая статья называется Переосмысление смежной зависимости в сессионных рекомендациях и исходит от исследователей из Qilu University of Technology и Beijing Institute of Technology в Китае, RMIT University в Мельбурне и Australian Artificial Intelligence Institute в Университете Технологии Сиднея.

Что дальше?

Основная задача сессионных рекомендаций (SBR) – определить “следующий” предмет от текущего предмета, основываясь на его рассчитанной связи с текущим предметом. В практическом смысле это может проявиться как список “Похожих предметов” на странице предмета для клетки для птицы на сайте электронной коммерции.

Если вы покупаете клетку для птицы, что еще вам, скорее всего, понадобится? Ну, во-первых, вам понадобится птица, которую можно положить в клетку – это истинная зависимость. Однако клетка для птицы представлена в онтологии товары для питомцев, где птицы не продаются. Пerverse, корм для кошек находится в той же онтологии, хотя добавление миски для кормления кошки в качестве связанной рекомендации для продукта клетки для птицы является ложной зависимостью – ошибочной и заблуждающей связью.

Из статьи: истинные и ложные отношения между несколькими предметами, визуализированные справа как граф предметов.

Как часто бывает в архитектурах машинного обучения, это вызов убедить систему рекомендаций, что “удаленный” объект (птица не представлена в продуктах для питомцев) может иметь внутреннюю и важную связь с предметом, тогда как предметы, которые находятся в одной категории и очень близки по функции и центральному понятию (такие как миска для кормления кошки), могут быть ортогональными или直接 противоположными покупке, которая рассматривается.

Единственный способ создать эти карты между “несмежными” объектами – это привлечь толпу к решению проблемы, поскольку связи в вопросе являются аспектом человеческого опыта, не могут быть угаданы программно и, вероятно, находятся за пределами доступного объема традиционных подходов к маркировке наборов данных, таких как Amazon Mechanical Turk.

Поэтому исследователи использовали механизмы обработки естественного языка (NLP), чтобы извлечь важные слова из отзывов для продукта и использовали частоты из этих анализов для создания вложений, способных “соответствовать” казалось бы удаленным предметам.

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

Архитектура и данные

Как отмечается в новой статье, предыдущие работы подобного рода использовали журнал отзывов зарегистрированного пользователя для предоставления базовых карт. DeepCONN и RNS оба использовали этот подход. Однако это игнорирует тот факт, что пользователь может не написать никаких отзывов или отзывов, имеющих отношение к определенному предмету, который находится “вне диапазона” его обычных привычек покупок. Кроме того, это своего рода “белый ящик” подход, поскольку он предполагает, что пользователь уже достаточно взаимодействовал с магазином, чтобы создать учетную запись и войти в систему.

Расширенная графовая нейронная сеть (GNN), предложенная исследователями, использует более оракульный подход, получая истинные зависимости a priori, так что, предположительно, анонимный и не вошедший в систему пользователь может испытать более релевантные рекомендации с минимальным требуемым вводом.

Система, дополненная отзывами, называется Review-refined Inter-item Graph Neural Network (RI-GNN). Исследователи протестировали ее на двух наборах данных из Amazon, Pet Supplies и Movies and TV. Хотя это решает проблему доступности отзывов довольно элегантно, реализация в дикой природе потребует нахождения и соскрапинга подходящей базы данных отзывов. Такой источник набора данных мог бы, в теории, быть чем угодно, от постов в социальной сети до ответов на Quora.

Высокоуровневые карты связей этого типа также будут ценными для многих приложений машинного обучения, помимо систем рекомендаций. Многие текущие проекты ограничены из-за отсутствия междоменных и внутридоменных карт из-за ограниченных средств и объема, тогда как коммерческая инициатива真正 знающей и основанной на толпе системы рекомендаций электронной коммерции потенциально могла бы заполнить этот пробел.

Метрики и тестирование

Авторы протестировали RI-GNN на двух версиях каждого набора данных, каждая из которых состоит из истории покупок пользователя и общих отзывов о продукте. Предметы, появляющиеся менее пяти раз, были удалены, и история пользователя была разделена на единицы недели. Первая версия набора данных включала все сессии с более чем одним предметом, и вторая – все сессии с более чем пятью предметами.

Проект использовал P@K (Точность) и MRR@K (Средний обратный ранг) для своих метрик оценки. Соперничающие архитектуры, протестированные в работе, были: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; и NARM.

Фреймворк был обучен партиями по 100 на Adam со скоростью обучения 0,001, с количеством тем, установленным на 24 и 20, соответственно, для Pet Supplies и Movies and TV.

Опубликовано впервые 1 февраля 2022 г.