İncelemeleri Kullanarak Çalışan Bir Öneri Sistemini Oluşturmak

Bir ürünü çevrimiçi olarak satın aldınız ve satın alma ve satış sonrası süreçteki ilgili olmayan ve uygulanamaz “ilgili öğeler”in saçmalığını ve anlamsızlığını merak ettiyseniz, popüler ve ana akım öneri sistemleri nin potansiyel satın almalar arasındaki ilişkileri anlamak konusunda yetersiz kaldığını zaten anlarsınız.

İki ocağın arasındaki bir öğe satın aldığınızda, diğer ocaklar için öneriler muhtemelen gereksiz olacaktır, ancak en kötü öneri sistemleri bunu kabul etmez. 2000’lerde, örneğin, TiVO’nun öneri sistemi bu sektörde erken bir tartışma yarattı ve bir kullanıcının algılanan cinsiyetini yeniden atadı, ardından kullanıcı, savaş filmlerini seçerek kullanıcı profilini yeniden “erkekliğe” kavuşturmak istedi – algoritma revizyonuna kaba bir yaklaşım.

Daha da kötüsü, aslında bir şey satın almanız veya büyük bir akış platformunda bir film tanımlamasını gezinirken izlemeye başlamanız gerekmez, bilgi açlığı öneri algoritmalarının yanlış yola gitmeye başlamaları için yeterli; aramalar, gezinmeler ve “ayrıntılar” sayfalarına tıklamalar yeterli ve bu cılız (ve muhtemelen yanlış) bilgi, platformda gelecekteki gezinme oturumlarında devam ettirilebilir.

Öneri Sistemini Unutmaya Çalışmak

Bazen müdahale etmek mümkün: Netflix, makine öğrenimi algoritmalarının, öneriler profilinizden belirli kavramları ve kelimeleri kaldırmasına yardımcı olması gereken bir “başparmak yukarı/aşağı” sistemi sağlar (ancak etkinliği sorgulanmıştır ve kişisel bir öneri algoritmasını sıfırdan geliştirmek istemeyen ontolojileri kaldırmaktan daha kolaydır), Amazon ise başlıkları müşteri geçmişinizden kaldırmanıza izin verir, bu da önerilerinize giren istenmeyen alanları azaltmalıdır.

Hulu, benzer bir özellik sunarken, HBO Max, kısmen algoritma yalnızca öneri sistemlerinden geri çekildi, mevcut eksikliklerinin yüzünde.

Bu tüketicilere özgü deneyimler, “pasif” reklam platformu öneri sistemlerinin (şimdi önemli bir değişiklik geliyor kamu öfkesi nedeniyle) veya sosyal medya AI önerileri gibi geniş ve artan eleştirilere bile dokunmaz, burada YouTube, Twitter ve Facebook gibi siteler, alakasız veya hatta zararlı öneriler nedeniyle eleştirilere devam ediyor.

Makine, aramanızın yanındaki öğeyi elde edene kadar ne istediğimizi bilmiyor – hatta o öğe, satın aldığınız birincil öğenin esasen bir kopyası veya alternatifi ise.

İnceleme Verileri ile Doğru Öneriler

Çin ve Avustralya’dan yeni bir araştırma işbirliği, böyle anlamsız önerilere çözüm olarak, satın alma oturumlarındaki öğeler arasındaki gerçek ilişkileri daha iyi anlamak için dış kullanıcı incelemelerini kullanmak için yeni bir yöntem sunuyor. Testlerde, mimari tüm mevcut state-of-the-art yöntemleri aştı ve öneri sistemleri için umut verdi, bu sistemlerin öğelerin bağımlılıklarının daha iyi bir dahili haritası var.
[…]

Öneri Sistemini Unutmaya Çalışmak

Bazen müdahale etmek mümkün: Netflix, makine öğrenimi algoritmalarının, öneriler profilinizden belirli kavramları ve kelimeleri kaldırmasına yardımcı olması gereken bir “başparmak yukarı/aşağı” sistemi sağlar (ancak etkinliği sorgulanmıştır ve kişisel bir öneri algoritmasını sıfırdan geliştirmek istemeyen ontolojileri kaldırmaktan daha kolaydır), Amazon ise başlıkları müşteri geçmişinizden kaldırmanıza izin verir, bu da önerilerinize giren istenmeyen alanları azaltmalıdır.

Hulu, benzer bir özellik sunarken, HBO Max, kısmen algoritma yalnızca öneri sistemlerinden geri çekildi, mevcut eksikliklerinin yüzünde.

Bu tüketicilere özgü deneyimler, “pasif” reklam platformu öneri sistemlerinin (şimdi önemli bir değişiklik geliyor kamu öfkesi nedeniyle) veya sosyal medya AI önerileri gibi geniş ve artan eleştirilere bile dokunmaz, burada YouTube, Twitter ve Facebook gibi siteler, alakasız veya hatta zararlı öneriler nedeniyle eleştirilere devam ediyor.

Makine, aramanızın yanındaki öğeyi elde edene kadar ne istediğimizi bilmiyor – hatta o öğe, satın aldığınız birincil öğenin esasen bir kopyası veya alternatifi ise.

İnceleme Verileri ile Doğru Öneriler

Çin ve Avustralya’dan yeni bir araştırma işbirliği, böyle anlamsız önerilere çözüm olarak, satın alma oturumlarındaki öğeler arasındaki gerçek ilişkileri daha iyi anlamak için dış kullanıcı incelemelerini kullanmak için yeni bir yöntem sunuyor. Testlerde, mimari tüm mevcut state-of-the-art yöntemleri aştı ve öneri sistemleri için umut verdi, bu sistemlerin öğelerin bağımlılıklarının daha iyi bir dahili haritası var.

RI-GNN, öğeler arasındaki ilişkilerin doğruluğu açısından önemli rakipleri geride bırakıyor ve beş öğeden fazla öğe içeren oturumlarda en iyi performansı gösteriyor. Sistem, Amazon İnceleme Verileri (2018) ‘nden Pet Supplies ve Movies and TV veri setlerine karşı test edildi. Kaynak: https://arxiv.org/pdf/2201.12532.pdf

Ayrıca, bu proje, öneriler oluşturma konusundaki önemli bir zorluğu, yani kullanıcıya ait hiçbir ayrıntı bulunmayan anonim oturumlarda öneriler oluşturma konusunu ele alıyor, öneri sistemi satın alma geçmişi veya kullanıcıların önceki satın almaların kendi çevrimiçi incelemeleri gibi kullanıcı tarafından sağlanan ayrıntılara erişimi bulunmuyor.

Yeni makale Oturum Tabanlı Önerilerde Yakın Bağımlılığı Yeniden Düşünmek olarak adlandırılmaktadır ve Çin’deki Qilu Üniversitesi Teknoloji ve Beijing Teknoloji Enstitüsü’nden, Melbourne’deki RMIT Üniversitesi ve Sydney Teknoloji Üniversitesi’ndeki Avustralya Yapay Zeka Enstitüsü’nden araştırmacılardan gelmektedir.

Sonraki Adımlar

Oturum tabanlı önerilerin (SBR) temel görevi, geçerli öğeye dayalı olarak bir sonraki öğeyi belirlemektir. Pratik olarak, bu, bir e-ticaret web sitesinde bir kuş kafesi için “İlgili öğeler” listesi olarak ortaya çıkabilir.

Kuş kafesi satın alıyorsanız, başka neye ihtiyacınız olabilir? En azından, kafese koyacak bir kuşa ihtiyacınız olacaktır – bu gerçek bir bağımlılık. Ancak, kuş kafesi evcil hayvan ürünleri ontolojisinde yer alır, burada kuşlar satılmaz. Çelişkili olarak, kedi maması aynı ontolojide yer alır, ancak bir kuş kafesi ürününe ilgili bir öneri olarak kedi besleme kabı eklemek yanlış bir bağımlılık – yanlış ve yanlış bir ilişki.

Makaleden: birkaç öğe arasındaki gerçek ve yanlış ilişkiler, sağ tarafta öğe arası bir grafik olarak görselleştirilmiştir.

Makine öğrenimi mimarilerinde olduğu gibi, bir öneri sistemine, bir “uzak” varlık (kuş evcil hayvan ürünleri içinde yer almaz) bir öğeyle içsel ve önemli bir ilişkiye sahip olabileceğini ikna etmek bir zorluktur, ancak aynı kategoride ve işlev ve merkezi kavram olarak yakın olan öğeler (kedi besleme kabı gibi), satın alınan öğeyle dik olarak karşıt veya dik olabilir.

Bu tür uzak varlıklar arasındaki eşleştirmeleri oluşturmanın tek yolu, bu ilişkilerin insan deneyiminin bir yönü olduğunu, programlı olarak tahmin edilemeyeceğini ve geleneksel veri etiketleme yaklaşımlarına göre sınırlı fon ve kapsam nedeniyle muhtemelen erişilemez olduğunu kabul ederek sorunu halka açmaktır.

Araştırmacılar, bu nedenle, bir ürün için ilgili kelimeleri incelemelerden çıkarmak için Doğal Dil İşleme (NLP) mekanizmalarını kullanmışlar ve bu analizlerin frekanslarını kullanarak, görünüşte uzak öğeleri “eşleştirebilecek” gömme oluşturmuşlardır.

İnceleme Rafine Edilmiş Öğeler Arası Grafik Sinir Ağı (RI-GNN) mimarisi.

Mimari ve Veri

Yeni makale, benzer bir doğaya sahip önceki çalışmaların, bir kullanıcının kendi inceleme geçmişini kullanarak temel eşleştirmeler sağlamak için kullandığını belirtiyor. DeepCONN ve RNS bu yaklaşımı kullandı. Ancak, bu, bir kullanıcının herhangi bir inceleme yazmadığı veya belirli bir öğeyle ilgili herhangi bir inceleme yazmadığı gerçeğini göz ardı eder. Ayrıca, bu, bir “beyaz kutu” yaklaşımıdır, çünkü kullanıcıya, perakendeciyle yeterli şekilde etkileşime girmiş ve bir hesap oluşturup giriş yapmış olduğunu varsayar.

Araştırmacıların önerdiği genişletilmiş Grafik Sinir Ağı (GNN), daha çok kehanetçi bir yaklaşım benimser, gerçek bağımlılıkları a priori türetir, böylece, varsayımla, anonim ve çıkış yapmış bir kullanıcı, minimum girdi gerektiren daha alakalı öneriler deneyimleyebilir.

İnceleme güçlendirilmiş sistem, İnceleme Rafine Edilmiş Öğeler Arası Grafik Sinir Ağı (RI-GNN) olarak adlandırılmaktadır. Araştırmacılar, bunu Amazon ‘dan iki veri setine karşı test etti: Pet Supplies ve Movies and TV. Bu, inceleme kullanılabilirliği sorununu oldukça güzel bir şekilde çözüyor, ancak vahşi bir uygulamaya ihtiyaç duyulacak bir inceleme veritabanını bulmak ve kazmak gerekir. Böyle bir veri seti kaynağı, teoride, sosyal bir ağdaki gönderilerden Quora’daki cevaplara kadar her şey olabilir.

Bu tür yüksek düzeyli ilişki eşleştirmeleri, öneri sistemlerinin ötesinde birçok makine öğrenimi uygulamasına değerli olacaktır. Birçok güncel proje, sınırlı fon ve kapsam nedeniyle inter ve intra-domain eşleştirmeye sahip değildir, ancak真正 bir bilgi ve halka dayalı e-ticaret öneri sisteminin ticari itici gücü, bu açığı doldurabilir.

Metrikler ve Test

Yazarlar, RI-GNN’yi, her biri bir kullanıcının satın alma geçmişini ve ürünün genel incelemelerini içeren iki veri seti versiyonuna karşı test etti. Beş defadan az görünen öğeler kaldırıldı ve kullanıcı geçmişi bir haftalık birimler halinde bölündü. İlk veri seti versiyonu, bir öğeden fazla öğe içeren tüm oturumları içeriyordu ve ikinci veri seti versiyonu, beş öğeden fazla öğe içeren tüm oturumları içeriyordu.

Proje, P@K (Doğruluk) ve MRR@K (Ortalama Geriye Dönük Sıra) için değerlendirme ölçütleri olarak kullanıldı. Rakip mimariler şunlardı: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; ve NARM.

Çerçeve, 100’ün toplu işlemlerinde Adam üzerinde 0.001’lik bir öğrenme hızıyla eğitildi ve konuların sayısı sırasıyla Pet Supplies ve Movies and TV için 24 ve 20 olarak ayarlandı.

İlk olarak 1 Şubat 2022’de yayımlandı.