การใช้บทวิจารณ์เพื่อสร้างระบบแนะนำที่มีประสิทธิภาพ

หากคุณเคยซื้อสินค้าออนไลน์และตกใจกับความไม่เหมาะสมของ ‘สินค้าที่เกี่ยวข้อง’ ที่ปรากฏในช่วงกระบวนการซื้อและหลังการขาย คุณก็เข้าใจแล้วว่าระบบแนะนำที่ได้รับความนิยมและเป็นที่ยอมรับในปัจจุบันมักจะไม่เข้าใจความสัมพันธ์ระหว่างการซื้อขายที่อาจเกิดขึ้น

หากคุณซื้อสินค้าที่ไม่ค่อยมีใครซื้อ เช่น เตาอบ อาจมีการแนะนำสินค้าอื่นๆ ที่ไม่เกี่ยวข้องแม้แต่น้อย แม้ว่าระบบแนะนำที่ไม่ดีอาจไม่ยอมรับข้อเท็จจริงนี้ แต่ในยุค 2000 ระบบแนะนำของ TiVO ก็曾สร้างความขัดแย้งในภาคนี้โดยการกำหนดความชอบส่วนบุคคลของผู้ใช้ซึ่งนำไปสู่การเปลี่ยนแปลงในโปรไฟล์ของผู้ใช้

สิ่งที่เลวร้ายกว่านั้นคือ คุณไม่จำเป็นต้องซื้อสินค้าจริงๆ ที่ Amazon หรือเริ่มดูหนังที่คุณกำลังดูบนแพลตฟอร์มสตรีมมิ่งหลักๆ เพื่อให้ระบบแนะนำที่ขาดข้อมูลเริ่มทำงานผิดพลาด การค้นหา การดู และการคลิกเข้าไปดูรายละเอียดสินค้าเพียงพอแล้วที่จะทำให้ระบบแนะนำเริ่มทำงานผิดพลาด และข้อมูลที่ไม่ถูกต้องนี้อาจจะถูกใช้ในการแนะนำสินค้าในอนาคต

การทำให้ระบบแนะนำลืม

บางครั้งเราสามารถเข้าไปแทรกแซงได้: Netflix มีระบบ ‘ให้คะแนน’ ที่ควรจะช่วยให้ระบบแนะนำของพวกเขาสามารถลบคำและแนวคิดที่ไม่เกี่ยวข้องออกจากโปรไฟล์ของผู้ใช้ (แม้ว่าประสิทธิภาพของระบบนี้จะถูกตั้งคำถาม และยังคงง่ายกว่าที่จะสร้างระบบแนะนำที่มีประสิทธิภาพจากศูนย์มากกว่าการลบข้อมูลที่ไม่เกี่ยวข้องออกจากระบบที่มีอยู่แล้ว) ในขณะที่ Amazon ช่วยให้ผู้ใช้สามารถลบสินค้าออกจากประวัติการซื้อของตนเอง ซึ่งควรจะช่วยลดความสำคัญของสินค้าที่ไม่เกี่ยวข้องที่อาจจะปรากฏในผลการแนะนำ

Hulu มีคุณสมบัติที่คล้ายกัน ในขณะที่ HBO Max ได้ถอยกลับจากระบบแนะนำที่อาศัยการคำนวณเพียงอย่างเดียว เนื่องจากข้อจำกัดในปัจจุบัน

ไม่มีประสบการณ์เหล่านี้ที่เกี่ยวข้องกับการใช้งานของผู้บริโภคทั่วไปที่สัมผัสกับระบบแนะนำที่มีข้อบกพร่องหรือไม่เหมาะสม หรือการวิพากษ์วิจารณ์ระบบแนะนำบนแพลตฟอร์มโฆษณาแบบ ‘ไม่โต้ตอบ’ (ที่มีการเปลี่ยนแปลงที่สำคัญเนื่องจากความไม่พอใจของสาธารณชน) หรือการวิพากษ์วิจารณ์ระบบแนะนำบนโซเชียลมีเดียที่มีการใช้ AI ซึ่งเว็บไซต์อย่าง YouTube, Twitter และ Facebook ยังคงเผชิญกับการวิพากษ์วิจารณ์เกี่ยวกับการแนะนำที่ไม่เกี่ยวข้องหรือเป็นอันตราย

เครื่องจักรไม่ดูเหมือนจะเข้าใจสิ่งที่เราต้องการ เว้นแต่เราจะต้องการสินค้าที่อยู่ใกล้กับสินค้าที่เรากำลังมองหา – แม้ว่าสินค้านั้นจะเป็นสินค้าที่เหมือนกันหรือเป็นรุ่นที่แตกต่างกันของสินค้าที่เรากำลังซื้อ

การแนะนำที่แม่นยำด้วยข้อมูลจากบทวิจารณ์

การวิจัยร่วมใหม่จากจีนและออสเตรเลียเสนอวิธีการใหม่ในการแก้ไขปัญหานี้โดยใช้ข้อมูลจากบทวิจารณ์ของผู้ใช้เพื่อให้เข้าใจความสัมพันธ์ระหว่างสินค้าในเซสชั่นการซื้อของลูกค้า ในการทดสอบ ระบบนี้สามารถทำงานได้ดีกว่าวิธีการที่มีอยู่ในปัจจุบัน และให้ความหวังว่าระบบแนะนำจะสามารถเข้าใจความสัมพันธ์ระหว่างสินค้าได้ดีขึ้น

RI-GNN outperforms major competitors in terms of accuracy of relationships between items, performing best on sessions with more than five items. The system was tested against the Pet Supplies and Movies and TV datasets from Amazon Review Data (2018). Source: https://arxiv.org/pdf/2201.12532.pdf

นอกจากนี้ โครงการนี้ยังแก้ไขปัญหาที่สำคัญในการสร้างการแนะนำแม้กระทั่งในเซสชั่นที่ไม่มีการเข้าสู่ระบบ ซึ่งระบบแนะนำไม่มีข้อมูลเกี่ยวกับประวัติการซื้อหรือบทวิจารณ์ของผู้ใช้

เอกสารวิจัยใหม่เรื่องนี้มีชื่อว่า Rethinking Adjacent Dependency in Session-based Recommendations และมาจากนักวิจัยที่ Qilu University of Technology และ Beijing Institute of Technology ในจีน RMIT University ที่เมลเบิร์น และ Australian Artificial Intelligence Institute ที่ University of Technology Sydney

สิ่งที่จะเกิดขึ้นต่อไป?

งานหลักของการแนะนำแบบเซสชั่น (SBR) คือการกำหนด ‘สินค้าต่อไป’ จากสินค้าที่กำลังดูอยู่ โดยอาศัยความสัมพันธ์ที่คำนวณได้ระหว่างสินค้าทั้งสอง ในทางปฏิบัติ สิ่งนี้อาจปรากฏเป็นรายการ ‘สินค้าที่เกี่ยวข้อง’ ในหน้ารายละเอียดสินค้าบนเว็บไซต์ขายของออนไลน์

หากคุณกำลังซื้อลูกกรง นอกจากลูกกรงแล้ว คุณอาจต้องการสิ่งอื่นๆ อีก เช่น ลูกสุนัข – นี่คือ ความสัมพันธ์ที่แท้จริง อย่างไรก็ตาม ลูกกรงถูกจัดอยู่ในหมวด ‘สินค้าสำหรับสัตว์เลี้ยง’ ซึ่งไม่มีลูกสุนัขขาย ในทางกลับกัน อาหารสำหรับสุนัข ก็อยู่ในหมวดเดียวกัน แต่การแนะนำถังอาหารสุนัขสำหรับลูกกรงเป็น ความสัมพันธ์ที่ไม่ถูกต้อง – การเชื่อมโยงที่ผิดพลาด

From the paper: true and false relationships between several items, visualized on the right as an inter-item graph.

เช่นเดียวกับในกรณีอื่นๆ ของสถาปัตยกรรมการเรียนรู้ของเครื่องจักร การที่จะทำให้ระบบแนะนำเข้าใจว่าสิ่งที่ไม่ได้อยู่ใกล้กันอาจมีความสัมพันธ์ที่สำคัญกัน เป็นเรื่องที่ท้าทาย ในขณะที่สินค้าที่อยู่ในหมวดเดียวกันและใกล้กันในหน้าที่และแนวคิดหลักอาจไม่เกี่ยวข้องกันหรือแม้กระทั่งตรงกันข้ามกับการซื้อที่กำลังพิจารณา

วิธีเดียวที่จะสร้างการเชื่อมโยงระหว่าง ‘สิ่งที่ไม่ได้อยู่ใกล้กัน’ คือการให้คนจำนวนมากช่วยแก้ปัญหา เนื่องจากความสัมพันธ์ที่เกี่ยวข้องเป็นส่วนหนึ่งของประสบการณ์ของมนุษย์ และไม่สามารถเดาได้ด้วยโปรแกรม และอาจอยู่นอกขอบเขตที่สามารถทำได้ด้วยวิธีการป้ายกำกับข้อมูลแบบดั้งเดิม เช่น Amazon Mechanical Turk

ดังนั้น นักวิจัยจึงใช้กลไกการประมวลผลภาษาธรรมชาติ (NLP) เพื่อแยกคำที่สำคัญออกจากบทวิจารณ์ของสินค้า และใช้ความถี่จากการวิเคราะห์เหล่านี้เพื่อสร้างการเชื่อมโยงที่สามารถ ‘จับคู่’ สินค้าที่ดูเหมือนจะไม่เกี่ยวข้องกัน

The architecture for Review-refined Inter-item Graph Neural Network (RI-GNN).

สถาปัตยกรรมและข้อมูล

ตามที่เอกสารวิจัยใหม่กล่าวไว้ งานวิจัยก่อนหน้านี้ที่คล้ายกันได้ใช้ประวัติการวิจารณ์ของผู้ใช้เพื่อสร้างการเชื่อมโยงระหว่างสินค้า DeepCONN และ RNS ทั้งสองใช้วิธีนี้ แต่นี่ไม่ได้คำนึงถึงข้อเท็จจริงที่ว่าผู้ใช้อาจไม่ได้เขียนบทวิจารณ์ใดๆ หรือไม่ได้เขียนบทวิจารณ์ที่เกี่ยวข้องกับสินค้าใดๆ นอกจากนี้ นี่เป็นวิธีการที่ ‘กล่องขาว’ เนื่องจากมันถือว่าผู้ใช้ได้เข้าสู่ระบบและสร้างบัญชีแล้ว

เครือข่ายประสาทเทียมที่ขยายออกไปที่นักวิจัยเสนอใช้แนวทางที่เป็น ‘นักพยากรณ์’ มากกว่า โดยการกำหนดความสัมพันธ์ที่แท้จริง โดยไม่ต้องมีข้อมูลก่อนหน้า เพื่อให้ผู้ใช้ที่ไม่ได้เข้าสู่ระบบหรือไม่ได้ให้ข้อมูลใดๆ สามารถได้รับการแนะนำที่เกี่ยวข้องมากขึ้น

ระบบที่ได้รับการปรับปรุงจากบทวิจารณ์เรียกว่า Review-refined Inter-item Graph Neural Network (RI-GNN) นักวิจัยได้ทดสอบมันเทียบกับสองชุดข้อมูลจาก Amazon Pet Supplies และ Movies and TV แม้ว่าสิ่งนี้จะแก้ปัญหาเรื่องความพร้อมของบทวิจารณ์ได้ดี แต่การนำไปใช้ในโลกแห่งความเป็นจริงจะต้องหาต้นกำเนิดของฐานข้อมูลบทวิจารณ์ที่เหมาะสม ซึ่งอาจเป็นอะไรตั้งแต่โพสต์บนโซเชียลมีเดียไปจนถึงคำตอบบน Quora

การทำแผนที่ความสัมพันธ์ระหว่างสินค้าที่มีระดับสูงเช่นนี้จะมีคุณค่าสำหรับการใช้งานการเรียนรู้ของเครื่องจักรอื่นๆ นอกเหนือจากระบบแนะนำ สิ่งเหล่านี้หลายโครงการถูกขัดขวางโดยการขาดการทำแผนที่ระหว่างและภายในโดเมนเนื่องจากข้อจำกัดด้านงบประมาณและขอบเขต ในขณะที่แรงจูงใจเชิงพาณิชย์ของระบบแนะนำอีコマースที่มีความรู้และได้รับการสนับสนุนจากคนจำนวนมากอาจช่วยเติมช่องว่างนี้ได้

มาตรการและทดสอบ

ผู้เขียนทดสอบ RI-GNN เทียบกับสองเวอร์ชันของแต่ละชุดข้อมูล ซึ่งแต่ละชุดประกอบด้วยประวัติการซื้อของลูกค้าและบทวิจารณ์ทั่วไปของสินค้า สินค้าที่ปรากฏน้อยกว่า 5 ครั้งถูกลบออก และประวัติการซื้อถูกแบ่งออกเป็นหน่วยของหนึ่งสัปดาห์ เวอร์ชันแรกของชุดข้อมูลประกอบด้วยเซสชั่นที่มีสินค้ามากกว่าหนึ่งรายการ และเวอร์ชันที่สองประกอบด้วยเซสชั่นที่มีสินค้ามากกว่า 5 รายการ

โครงการนี้ใช้ P@K (ความแม่นยำ) และ MRR@K (ค่าเฉลี่ยของอันดับย้อนกลับ) เป็นมาตรการประเมิน สถาปัตยกรรมที่เป็นคู่แข่งที่ทดสอบ ได้แก่ S-KNN;GRU4Rec;S-POP;STAMP;BERT4Rec;DHCN;GCE-GNN;SR-GNN;NARM

เฟรมเวิร์กถูกฝึกอบรมในกลุ่มของ 100 บน Adam ที่อัตราการเรียนรู้ 0.001 โดยมีจำนวนหัวข้อตั้งไว้ที่ 24 และ 20 ตามลำดับ สำหรับ Pet Supplies และ Movies and TV

เผยแพร่ครั้งแรกเมื่อวันที่ 1 กุมภาพันธ์ 2022