Använda recensioner för att skapa ett rekommendationssystem som fungerar

Om du någon gång har köpt en produkt online och förundrats över hur meningslösa och icke tillämpliga “relaterade artiklar” som dyker upp under köpprocessen och efterföljande försäljning, så förstår du redan att populära och etablerade rekommendationssystem ofta brister i förståelsen av sambanden mellan potentiella inköp.

Om du köper en ovanlig och sällan förekommande artikel, som en ugn, är rekommendationer för andra ugnar troligen överflödiga, även om de sämsta rekommendationssystemen misslyckas med att erkänna detta. I början av 2000-talet skapade till exempel TiVOs rekommendationssystem en tidig kontrovers i denna sektor genom att tilldela en användare en uppfattad sexualitet, som senare försökte “ommaskulera” sin användarprofil genom att välja krigsfilmer – en grov metod för algoritmmässig revision.

Worse yet, du behöver inte ens köpa något på (till exempel) Amazon, eller ens börja titta på en film vars beskrivning du bläddrar igenom på en stor strömningstjänst, för att informationssvältande rekommendationsalgoritmer ska börja gå fel; sökningar, väntetider och klick på “detaljsidor” räcker, och denna knapphändiga (och troligen felaktiga) information kommer troligen att föras vidare till framtida bläddringssessioner på plattformen.

Försöka få ett Rekommendationssystem att Glömma

Ibland är det möjligt att ingripa: Netflix tillhandahåller ett “tumme upp/ned”-system som i teorin bör hjälpa dess maskinlärningsalgoritmer att ta bort vissa inbäddade begrepp och ord från din rekommendationsprofil (även om dess effektivitet har ifrågasatts, och det fortfarande är mycket enklare att utveckla en personlig rekommendationsalgoritm från scratch än att ta bort oönskade ontologier), medan Amazon låter dig ta bort titlar från din kundhistorik, vilket bör nedgradera alla oönskade domäner som har trängt in i dina rekommendationer.

Hulu har en liknande funktion, medan HBO Max har delvis backat från algoritm-baserade rekommendationssystem, med anledning av deras nuvarande brister.

Inga av dessa strikt konsumentinriktade upplevelser berör ens den utbredda och växande kritiken av “passiva” annonsplattformers rekommendationssystem (där betydande förändringar är på gång på grund av allmän ilska), eller den kontroversiella frågan om sociala mediers AI-rekommendationer, där webbplatser som YouTube, Twitter och Facebook fortsätter att utstå kritik för icke-relevanta eller till och med skadliga rekommendationer.

Maskinen verkar inte veta vad vi vill ha, såvida vi inte vill ha den intilliggande artikeln som kom upp i vår sökning – även om den artikeln i princip är en kopia eller alternativ till den primära artikeln som vi kanske just har köpt, snarare än en potentiell komplementär eller hjälpande inköp.

Exakta Rekommendationer med Recensionsdata

Ett nytt forskningssamarbete från Kina och Australien erbjuder en ny metod för att hantera sådana icke-lämpliga rekommendationer, genom att använda externa användarrecensioner för att få en bättre förståelse för de verkliga sambanden mellan artiklar i en shoppingsession. I tester överträffade arkitekturen alla nuvarande state-of-the-art-metoder, vilket ger hopp om rekommendationssystem som har en bättre inre karta av artiklarnas beroenden.

RI-GNN överträffar stora konkurrenter i termer av exakthet i samband mellan artiklar, med bäst prestation på sessioner med mer än fem artiklar. Systemet testades mot Pet Supplies- och Movies and TV-databaserna från Amazon Review Data (2018). Källa: https://arxiv.org/pdf/2201.12532.pdf

För att fortsätta har projektet också hanterat den betydande utmaningen att skapa rekommendationer även i anonyma sessioner, där rekommendationssystemet inte har tillgång till användarbidrag, såsom inköpshistorik eller användarens egna online-recensioner av tidigare inköp.

Den nya artikeln heter Omprövning av Adjacent Beroende i Session-baserade Rekommendationer och kommer från forskare vid Qilu University of Technology och Beijing Institute of Technology i Kina, RMIT University i Melbourne och Australian Artificial Intelligence Institute vid University of Technology Sydney.

Vad händer härnäst?

Den grundläggande uppgiften för session-baserade rekommendationer (SBR) är att bestämma “nästa” artikel utifrån den aktuella artikeln, baserat på dess beräknade relation till den aktuella artikeln. I praktiken kan detta manifestera sig som en lista över “relaterade artiklar” på en artikelsida för en bur på en e-handelswebbplats.

Om du köper en bur, vad behöver du troligen också? Jo, åtminstone behöver du en fågel att sätta i den – det är en sann beroende. Men bur är en del av ontologin husdjursvaror, där fåglar inte säljs. Pervers nog ligger kattdiet i samma ontologi, även om att lägga till en katmatningsskål som en associerad rekommendation för en burprodukt är en falsk beroende – en missriktad och vilseledande association.

Från artikeln: sanna och falska relationer mellan flera artiklar, visualiserade till höger som en inter-artikelgraf.

Som så ofta är fallet i maskinlärningsarkitektur, är det en utmaning att övertyga ett rekommendationssystem om att en “avlägsen” enhet (fågel nämns inte alls i husdjursprodukter) kan ha en inre och viktig relation till en artikel, medan artiklar som är i samma kategori och mycket nära i funktion och central koncept (såsom kattdiet) kan vara ortogonala eller direkt motsatta inköpet som övervägs.

Det enda sättet att skapa dessa kartor mellan “icke-adjacent” enheter är att crowdsourca problemet, eftersom relationerna i fråga är en aspekt av mänsklig erfarenhet, kan inte gissas programmerat och troligen ligger utanför den konventionella ansatsens tillgängliga omfattning för datasetmärkning, såsom Amazon Mechanical Turk.

Därför har forskarna använt sig av naturlig språkbehandling (NLP) för att extrahera framträdande ord från recensioner för en produkt och har använt frekvenser från dessa analyser för att skapa inbäddningar som kan “matcha” tydligen avlägsna artiklar.

Arkitekturen för Review-refinerad Inter-artikel Graf Neural Network (RI-GNN).

Arkitektur och Data

Som den nya artikeln noterar, har tidigare arbeten av liknande natur utnyttjat en inloggad användares egen recensionshistorik för att tillhandahålla rudimentära kartor. DeepCONN och RNS använde båda denna metod. Men detta bortser från faktum att en användare kanske inte har skrivit några recensioner, eller några recensioner som är relevanta för en viss artikel som är “utanför” deras vanliga inköpsvanor. Dessutom är detta en sorts “vit låda”-ansats, eftersom det antar att användaren redan har engagerat sig tillräckligt med utgången för att skapa ett konto och logga in.

Den utvidgade grafneurala nätverket (GNN) som föreslagits av forskarna tar en mer orakel-driven ansats, som härleder sanna beroenden a priori, så att, förmodligen, den anonyma och utloggade användaren kan uppleva mer relevanta rekommendationer med minimal inmatning krävs.

Recensionsförbättrade systemet kallas Recensionsförbättrad Inter-artikel Graf Neural Network (RI-GNN). Forskarna har testat det mot två databaser från Amazon, Djurhud och Filmer och TV. Även om detta löser problemet med recensions tillgänglighet ganska smidigt, skulle en implementering i vildmarken behöva hitta och skrapa en lämplig recensionsdatabas. En sådan källa kunde, i teorin, vara allt från inlägg på ett socialt nätverk till svar på Quora.

Högnivåkartor av denna typ skulle, dessutom, vara värdefulla för en mängd maskinlärningsapplikationer utöver rekommendationssystem. Många nuvarande projekt är hämmade av bristen på inter- och intra-domänkartor på grund av begränsade medel och omfattning, medan den kommersiella drivkraften för ett riktigt kunnigt och crowdsourcat rekommendationssystem för e-handel potentiellt kunde fylla den luckan.

Mätvärden och Testning

Författarna testade RI-GNN mot två versioner av varje databas, var och en bestående av en användares inköpshistorik och allmänna recensioner av produkten. Artiklar som förekommer mindre än fem gånger togs bort, och användarhistoriken delades upp i enheter om en vecka. Den första databasversionen innehöll alla sessioner med mer än en artikel, och den andra alla sessioner med mer än fem artiklar.

Projektet använde P@K (Precision) och MRR@K (Medel Reciprok Rank) för sina utvärderingsmätvärden. Rivaliserande arkitekturer som testades var: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; och NARM.

Ramverket tränades i batcher om 100 på Adam med en inlärningshastighet på 0,001, med antalet ämnen inställt på 24 respektive 20 för Djurhud och Filmer och TV.

Publicerad första gången den 1 februari 2022.