มุมมองของ Anderson

ทำไม AI ไม่สามารถให้คำแนะนำผลิตภัณฑ์ที่ดีขึ้น

เผยแพร่ 2 มีนาคม 2022

อัปเดต 24 พฤษภาคม 2026

Martin Anderson

เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google

หากคุณสนใจในเรื่องที่ไม่ค่อยมีคนพูดถึง มีสองเหตุผลที่การค้นหาสินค้าและผลิตภัณฑ์ของคุณอาจไม่เกี่ยวข้องกับความสนใจของคุณมากนักเมื่อเทียบกับเพื่อนๆ ที่มีความสนใจหลากหลาย เช่น คุณอาจเป็นกรณีพิเศษที่มีอำนาจการซื้อที่สูงมาก และมีผลิตภัณฑ์และบริการที่เกี่ยวข้องกับการจัดการความมั่งคั่ง หรืออัลกอริทึมการค้นหาที่คุณใช้กำลังใช้การกรองแบบ协作 (Collaborative Filtering) ซึ่งให้ความสำคัญกับความสนใจของคนส่วนใหญ่

เนื่องจากการกรองแบบ协作มีราคาถูกกว่าและเป็นที่ยอมรับมากกว่าอัลกอริทึมและเฟรมเวิร์กที่อาจมีความสามารถมากกว่า จึงเป็นไปได้ที่ทั้งสองกรณีนี้จะเกิดขึ้น

ผลลัพธ์ของการค้นหาที่ใช้การกรองแบบ协作จะให้ความสำคัญกับสินค้าที่ถูกมองว่าเป็นที่นิยมในหมู่ ‘คนอย่างคุณ’ ตามที่โฮสต์สามารถเข้าใจได้ว่าคุณเป็นลูกค้าประเภทไหน

หากคุณไม่ชอบที่จะให้ข้อมูลเกี่ยวกับตัวคุณเองกับระบบโฮสต์ เช่น ไม่ชอบกดปุ่ม ‘ชอบ’ ในบริการวิดีโอ เช่น Netflix คุณอาจถูกจัดประเภทในลักษณะทั่วไปเมื่อคุณเริ่มใช้ระบบ และคำแนะนำที่คุณได้รับจะสะท้อนถึงแนวโน้มที่นิยมมากที่สุด

ในกรณีของแพลตฟอร์มสตรีมมิ่ง นั่นหมายความว่าคุณอาจได้รับการแนะนำให้ดูรายการโทรทัศน์และภาพยนตร์ที่กำลังเป็นที่นิยม เช่น รายการโทรทัศน์เรียลลิตี้และสารคดีฆาตกรรม โดยไม่คำนึงถึงความสนใจของคุณในเรื่องเหล่านั้น ในทำนองเดียวกันสำหรับแพลตฟอร์มแนะนำหนังสือ ซึ่งจะแนะนำหนังสือขายดีและหนังสือที่เพิ่งวางจำหน่ายโดยไม่มีเหตุผลที่ชัดเจน

ในทางทฤษฎี แม้ลูกค้าที่ระมัดระวังในการให้ข้อมูลก็ควรจะได้รับผลลัพธ์ที่ดีขึ้นจากระบบเหล่านี้ตามวิธีการใช้งานและข้อมูลที่พวกเขาค้นหา เนื่องจากเฟรมเวิร์กการค้นหาส่วนใหญ่ให้ลูกค้ามีความสามารถในการแก้ไขประวัติการใช้งานของตนเอง

สีใดก็ได้ ถ้าเป็นสีดำ

อย่างไรก็ตาม ตามการศึกษาใหม่จากออสเตรีย การใช้การกรองแบบ协作มากกว่าการกรองตามเนื้อหา (Content-Based Filtering) ซึ่งพยายามสร้างความสัมพันธ์ระหว่างผลิตภัณฑ์แทนการนับผลิตภัณฑ์ที่นิยม ทำให้ระบบการค้นหามีความลำเอียงในการให้ความสำคัญกับผลิตภัณฑ์ที่นิยมในระยะยาว โดยผลิตภัณฑ์ที่นิยมจะถูกแนะนำให้กับลูกค้าที่ไม่น่าจะสนใจผลิตภัณฑ์เหล่านั้น

การศึกษาพบว่าลูกค้าที่ไม่สนใจผลิตภัณฑ์ที่นิยมจะได้รับการแนะนำที่ ‘ไม่ดี’ มากกว่าลูกค้าที่มีความสนใจในผลิตภัณฑ์ที่นิยม และผลิตภัณฑ์ที่นิยมจะถูกแนะนำบ่อยกว่าผลิตภัณฑ์ที่ไม่นิยม นักวิจัยยังสรุปว่าลูกค้าที่มีความสนใจต่ำในผลิตภัณฑ์ที่นิยมมักจะมีประวัติการใช้งานที่ใหญ่กว่า ซึ่งสามารถช่วยปรับปรุงระบบการแนะนำได้ หากระบบสามารถเลิกพึ่งพา ‘ตัวชี้วัดฝูง’ ได้

<img class="wp-image-180440 size-full" src="https://www.unite.ai/wp-content/uploads/2022/03/recommender-groups.jpg" alt="การเปรียบเทียบความนิยมกับความซับซ้อนของประวัติการใช้งานแสดงให้เห็นว่าลูกค้าที่ 'ไม่สำคัญ' ที่ไม่สนใจเนื้อหาที่นิยมมีศักยภาพในการให้ข้อมูลที่ดีกว่าสำหรับระบบการแนะนำ แต่เนื่องจากลูกค้าเหล่านี้ไม่ตามกระแส จึงดูเหมือนว่าจะเป็นโอกาสที่สูญเสียไป Source: https://arxiv.org/pdf/2203.00376.pdf

การศึกษานี้มีชื่อว่า Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems และมาจากนักวิจัยที่ now-Center GmbH ใน Graz และ Graz University of Technology

โดเมนที่ครอบคลุม

โดยสร้างบนงานวิจัยก่อนหน้าที่ศึกษาในภาคส่วนต่างๆ (เช่น การแนะนำหนังสือ) การศึกษานี้ตรวจสอบสี่โดเมน: หนังสือดิจิทัล (ผ่านชุดข้อมูล BookCrossing); ภาพยนตร์ (ผ่านชุดข้อมูล MovieLens); เพลง (ผ่านชุดข้อมูล Last.fm); และอนิเมะ (ผ่านชุดข้อมูล MyAnimeList)

การศึกษานี้ใช้อัลกอริทึมการกรองแบบ协作สี่แบบที่นิยมกับชุดข้อมูลที่ถูกแบ่งออกเป็นสามกลุ่มลูกค้าตามความชอบในการรับ ‘ผลิตภัณฑ์ที่นิยม’: กลุ่ม LowPop, กลุ่ม MedPop และกลุ่ม HighPop กลุ่มลูกค้าเหล่านี้ถูกแบ่งออกเป็น 1000 กลุ่มที่มีขนาดเท่ากันตามความชอบที่น้อยที่สุด ค่าเฉลี่ย และมากที่สุดในการรับ ‘ผลิตภัณฑ์ที่นิยม’

นักวิจัยได้แสดงความคิดเห็นเกี่ยวกับผลลัพธ์โดยกล่าวว่า:

‘[เรา] พบว่าความน่าจะเป็นที่ผลิตภัณฑ์จะถูกแนะนำสูงมากเมื่อผลิตภัณฑ์นั้นมีความนิยม [และ] ลูกค้าที่ไม่สนใจผลิตภัณฑ์ที่นิยมจะได้รับการแนะนำที่ ‘ไม่ดี’ มากกว่าลูกค้าที่มีความสนใจในผลิตภัณฑ์ที่นิยมและผลิตภัณฑ์ที่นิยมจะถูกแนะนำบ่อยกว่าผลิตภัณฑ์ที่ไม่นิยม…’

‘ผลลัพธ์ของเราแสดงให้เห็นว่าลูกค้าที่มีความสนใจต่ำในผลิตภัณฑ์ที่นิยมมักจะมีประวัติการใช้งานที่ใหญ่กว่า แต่พวกเขาก็ได้รับการแนะนำที่ไม่ดีที่สุด ดังนั้นการวิจัยในอนาคตจึงจำเป็นต้องลดความลำเอียงของความนิยมในระบบการแนะนำทั้งระดับผลิตภัณฑ์และระดับลูกค้า’

ในบรรดาอัลกอริทึมที่ถูกประเมินมี two K-Nearest Neighbors (KNN) variants, UserKNN และ UserKNNAvg อัลกอริทึมที่ไม่สร้างค่าเฉลี่ยสำหรับลูกค้าและผลิตภัณฑ์เป้าหมาย

อัลกอริทึม non-negative matrix factorization (NMF) variant และ CoClustering algorithm ก็ถูกทดสอบเช่นกัน

โพรโทคอลการประเมินถือว่าภารกิจการแนะนำเป็นภารกิจการทำนายที่วัดโดยนักวิจัยในแง่ของ mean absolute error (MAE) โดยใช้ five-fold cross validation protocol ที่เกินกว่า 80/20 split ระหว่างข้อมูลฝึกและข้อมูลทดสอบ

ผลลัพธ์แสดงให้เห็นว่ามีการรับประกันความลำเอียงของความนิยมภายใต้การกรองแบบ协作 ซึ่งทำให้เกิดคำถามว่าบริษัทที่มีมูลค่าหลายพันล้านดอลลาร์ซึ่งรวมการกรองแบบ协作เข้ากับอัลกอริทึมการค้นหาของตนเองรับรู้ถึงปัญหานี้หรือไม่

ผลลัพธ์จากการศึกษาทั้งสี่ชุดข้อมูลที่ใช้การกรองแบบ协作สี่แบบแสดงให้เห็นว่าผลิตภัณฑ์ที่นิยมมีแนวโน้มที่จะถูกแนะนำมากกว่าผลิตภัณฑ์ที่ไม่นิยม

วิธีที่ ‘ง่าย’ ออก

แม้ว่าการกรองแบบ协作จะถูกใช้เพิ่มขึ้นเป็นเพียงส่วนหนึ่งของกลยุทธ์อัลกอริทึมการค้นหาที่กว้างขึ้น แต่ก็มีส่วนสำคัญในภาคการค้นหาและความน่าสนใจของมันเอง

โดยตัวมันเอง การกรองแบบ协作จะโอนภารกิจในการประเมินคุณค่าของเนื้อหาไปยังลูกค้าปลายทาง และใช้การรับของลูกค้าเป็นดัชนีของมูลค่าและความน่าสนใจที่อาจเกิดขึ้นสำหรับลูกค้าคนอื่นๆ

การกรองตามเนื้อหา (Content-Based Filtering) มีความยากกว่า แต่อาจให้ผลลัพธ์ที่เกี่ยวข้องมากขึ้น ในภาคการมองเห็นคอมพิวเตอร์ มีการวิจัยอย่างมากที่กำลังดำเนินอยู่เกี่ยวกับการจัดประเภทเนื้อหาวิดีโอและการพยายามอนุมานโดเมน ฟีเจอร์ และแนวคิดระดับสูงผ่านการวิเคราะห์เสียงและวิดีโอในภาพยนตร์และโทรทัศน์

หนึ่งในหลายโครงการวิจัยในช่วงห้าปีที่ผ่านมาเพื่ออนุมานคุณลักษณะเชิงสำนวนจากเนื้อหาของภาพยนตร์ เพื่อสร้างการแนะนำ ‘ใกล้เคียง’ ที่ฉลาดกว่า Source: https://arxiv.org/pdf/1701.00199.pdf

อย่างไรก็ตาม สิ่งนี้เป็นการแสวงหาที่ค่อนข้างใหม่และเกี่ยวข้องกับการต่อสู้ทั่วไปในการ量化 แยกตัว และใช้ประโยชน์จากแนวคิดและฟีเจอร์ระดับสูงในความรู้โดเมน

ใครใช้การกรองแบบ协作

ณ เวลานี้ เครื่องมือแนะนำของ Netflix ที่ถูกวิพากษ์วิจารณ์อย่างมากยังคงใช้การกรองแบบ协作ในหลายรูปแบบ และใช้เทคโนโลยีเสริมหลายอย่างในการพยายามสร้างการแนะนำที่เกี่ยวข้องมากขึ้นสำหรับลูกค้า

เครื่องมือค้นหาของ Amazon พัฒนาไปจากการใช้การกรองแบบ协าตตามลูกค้าในตอนแรกไปยังการกรองแบบ协าตตามผลิตภัณฑ์ ซึ่งให้ความสำคัญกับประวัติการซื้อของลูกค้าเป็นหลัก ซึ่งอาจนำไปสู่ความไม่ถูกต้องหลายอย่าง เช่น ฟองสบู่หรือการเน้นข้อมูลที่ไม่เพียงพอ

การกรองแบบ协作ถูกใช้อย่างกว้างขวางโดย Facebook ในรูปของการผสมผสานกับแนวทางอื่นๆ และโดย LinkedIn, YouTube และ Twitter

เครื่องมือแนะนำของ Amazon อาจมีปัญหาเมื่อลูกค้าซื้อสินค้าที่ไม่ธรรมดา เช่น ชุดอุปรากรสำหรับเพื่อนรักอุปรากร ซึ่งอาจทำให้การแนะนำของลูกค้าเปลี่ยนแปลงไปโดยไม่จำเป็น

การซื้อผลิตภัณฑ์ที่ไม่ธรรมดาอาจทำให้การแนะนำของลูกค้าเปลี่ยนแปลงไปโดยไม่จำเป็น

การซื้อผลิตภัณฑ์ที่ไม่ธรรมดาอาจทำให้การแนะนำของลูกค้าเปลี่ยนแปลงไป

Martin Anderson

นักเขียนเกี่ยวกับเครื่องมือการเรียนรู้ของเครื่อง และผู้เชี่ยวชาญด้านการสังเคราะห์ภาพมนุษย์ อดีตหัวหน้าเนื้อหาวิจัยที่ Metaphysic.ai จนกระทั่งถูกยุบเข้ากับ Brahma.ai ของ DNEG
Portfolio site: martinanderson.ai
Contact: martin@martinanderson.ai

Unite.AI

ทำไม AI ไม่สามารถให้คำแนะนำผลิตภัณฑ์ที่ดีขึ้น

สีใดก็ได้ ถ้าเป็นสีดำ

โดเมนที่ครอบคลุม

วิธีที่ ‘ง่าย’ ออก

ใครใช้การกรองแบบ协作

ค้นพบเพิ่มเติม