İşe Yarayan Bir Öneri Sistemi Oluşturmak İçin İncelemeleri Kullanma

Daha önce çevrimiçi bir ürün satın aldıysanız ve satın alma ve satış sonrası süreçlerine musallat olan 'ilgili öğelerin' anlamsızlığına ve uygulanamazlığına hayret ettiyseniz, zaten popüler ve ana akım olduğunu anlamışsınızdır. tavsiye sistemleri potansiyel satın almalar arasındaki ilişkileri anlama açısından yetersiz kalma eğilimindedir.

Fırın gibi beklenmedik ve sık olmayan bir ürün satın alırsanız, en kötü tavsiye sistemleri olsa da, diğer fırınlar için tavsiyeler muhtemelen gereksiz olacaktır. bunu kabul edememek. 2000'li yıllarda, örneğin, TiVO'nun tavsiye sistemi, bu sektörde erken bir tartışma yarattı. algılanan cinselliği yeniden atamak daha sonra savaş filmlerini seçerek kullanıcı profilini 'yeniden erkekleştirmeye' çalışan bir kullanıcının - algoritma revizyonuna kaba bir yaklaşım.

Daha da kötüsü, (örneğin) Amazon'dan gerçekten bir şey satın almanıza veya herhangi bir büyük akış platformunda açıklamasına göz attığınız bir filmi gerçekten izlemeye başlamanıza gerek yok. bilgiye aç yanlış yolda neşeyle başlamak için tavsiye algoritmaları; 'ayrıntılar' sayfalarında aramalar, oyalanmalar ve tıklamalar yeterlidir ve bu yetersiz (ve muhtemelen yanlış) bilgilerin platformda gelecekteki göz atma oturumlarında sürdürülmesi muhtemeldir.

Tavsiye Sistemini Unutturmaya Çalışmak

Bazen müdahale etmek mümkündür: Netflix, teorik olarak makine öğrenimi algoritmalarının belirli gömülü kavramları ve kelimeleri öneriler profilinizden kaldırmasına yardımcı olacak bir 'beğendim/beğenmedim' sistemi sağlar (etkililiği azalmış olsa da) sorgulandıve kişiselleştirilmiş bir tavsiye algoritmasını sıfırdan geliştirmek çok daha kolay istenmeyen ontolojileri kaldırmaktan daha), Amazon size izin verirken başlıkları kaldır önerilerinize sızan tüm istenmeyen etki alanlarını eski sürüme geçirmesi gereken müşteri geçmişinizden.

Hulu'nun bir benzer özellik, HBO Max ise kısmen geri çekildi Mevcut eksiklikleri karşısında, yalnızca algoritma önerici sistemlerden.

Bu kesinlikle tüketici düzeyindeki deneyimlerin hiçbiri, 'pasif' reklam platformu öneri sistemlerine yönelik yaygın ve artan eleştirilere değinmiyor bile (burada dikkate değer değişiklik geliyor halkın öfkesi nedeniyle) veya sosyal medya AI önerilerinin kışkırtıcı konusu, örneğin YouTube, Twitter ve Facebook alakasız ve hatta zarar verici öneriler için yapılan eleştirilere katlanmaya devam edin.

Biz istemediğimiz sürece makine ne istediğimizi bilmiyor gibi görünüyor. bitişik öğe Bu ürün, potansiyel bir tamamlayıcı veya yardımcı satın alma yerine, az önce satın almış olabileceğimiz birincil öğenin özünde bir kopyası veya alternatifi olsa bile, aramamızda ortaya çıkanlar.

İnceleme Verileri ile Doğru Öneriler

Çin ve Avustralya'dan yeni bir araştırma işbirliği, bir alışveriş oturumundaki öğeler arasındaki gerçek ilişkileri daha iyi anlamak için harici kullanıcı incelemelerini kullanarak bu tür uygun olmayan önerileri ele almak için yeni bir yöntem sunuyor. Testlerde mimari, mevcut tüm son teknoloji yöntemlerden daha iyi performans gösterdi ve öğelerin bağımlılıklarının daha iyi bir dahili haritasına sahip olan tavsiye sistemleri için umut verdi:

RI-GNN, öğeler arasındaki ilişkilerin doğruluğu açısından başlıca rakiplerinden daha iyi performans gösterir ve en iyi performansı beşten fazla öğe içeren oturumlarda gösterir. Sistem, Pet Sarf Malzemeleri ve Filmler ve TV veri setlerine karşı test edilmiştir. Amazon İnceleme Verileri (2018).  Kaynak: https://arxiv.org/pdf/2201.12532.pdf

Önyükleme için proje, öneri sisteminin satın alma geçmişi veya kullanıcının önceki satın alma işlemlerine ilişkin kendi çevrimiçi incelemeleri gibi kullanıcı tarafından sağlanan ayrıntılara erişimi olmadığı anonim oturumlarda bile öneriler oluşturma konusundaki dikkate değer zorluğu ele alıyor.

Yeni kâğıt denir Oturum Tabanlı Önerilerde Bitişik Bağımlılığı Yeniden Düşünmekve Çin'deki Qilu Teknoloji Üniversitesi ve Pekin Teknoloji Enstitüsü, Melbourne'daki RMIT Üniversitesi ve Sidney Teknoloji Üniversitesi'ndeki Avustralya Yapay Zeka Enstitüsü'ndeki araştırmacılardan geliyor.

Sırada ne var?

Oturuma dayalı önerilerin (SBR) temel görevi, geçerli öğeyle hesaplanan ilişkisine dayalı olarak, geçerli öğeden sonraki 'sonraki' öğeyi belirlemektir. Pratik açıdan bu, bir e-ticaret web sitesindeki bir kuş kafesi için bir öğe sayfasındaki 'İlgili öğeler' listesi olarak ortaya çıkabilir.

Bir kuş kafesi satın alıyorsanız, başka nelere ihtiyacınız olabilir? Eh, en azından içine koymak için bir kuşa ihtiyacın olacak - bu bir gerçek bağımlılık. Bununla birlikte, kuş kafesi ontolojide yer almaktadır. evcil hayvan ürünleri, kuşların satılmadığı yer. sapıkça, kedi maması Aynı ontolojiye oturur, ancak bir kuş kafesi ürünü için ilişkili bir öneri olarak bir kedi besleme kabı eklemek, yanlış bağımlılık – hatalı ve yanlış yönlendirilmiş bir çağrışım.

Kağıttan: sağda bir öğeler arası grafik olarak görselleştirilen birkaç öğe arasındaki doğru ve yanlış ilişkiler.

Makine öğrenimi mimarilerinde sıklıkla olduğu gibi, bir tavsiye sistemini 'uzak' bir varlığın (kuş hiç özelliği yok Evcil Hayvan Ürünleri) bir öğeyle içsel ve önemli bir ilişkiye sahip olabilirken, aynı kategoride olan ve işlev ve merkezi konsepte çok yakın olan öğeler (örneğin, kedi mama kabı), dikkate alınan satın alma işlemine dik veya doğrudan zıt olabilir.

"Bitişik olmayan" varlıklar arasında bu eşlemeleri oluşturmanın tek yolu, sorunu kitle kaynaklı kullanmaktır, çünkü söz konusu ilişkiler insan deneyiminin bir yönüdür, programatik olarak tahmin edilemez ve muhtemelen geleneksel yaklaşımların uygun kapsamının ötesindedir. gibi veri kümesi etiketleme Amazon Mekanik Türk.

Bu nedenle araştırmacılar, bir ürüne ilişkin incelemelerden göze çarpan kelimeleri çıkarmak için Doğal Dil İşleme (NLP) mekanizmalarını kullandılar ve görünüşte uzak öğeleri 'eşleştirme' yeteneğine sahip yerleştirmeler oluşturmak için bu analizlerden elde edilen frekansları kullandılar.

İncelemeyle İyileştirilmiş Öğeler Arası Grafik Sinir Ağı (RI-GNN) mimarisi.

Mimari ve Veri

Yeni makalenin belirttiği gibi, benzer nitelikteki önceki çalışmalar, temel eşlemeler sağlamak için oturum açmış bir kullanıcının kendi inceleme geçmişini kullandı. Derin CONN ve RNS ikisi de bu yaklaşımı kullandı. Bununla birlikte, bu, bir kullanıcının herhangi bir inceleme yazmamış olabileceği veya belirli bir ürünle ilgili, normal satın alma alışkanlıklarının 'aralık dışında' olan herhangi bir inceleme yazmamış olabileceği gerçeğini göz ardı eder. Ek olarak, bu, kullanıcının bir hesap oluşturmak ve oturum açmak için satış noktasıyla zaten yeterince etkileşimde bulunduğunu varsaydığından, bu bir tür 'beyaz kutu' yaklaşımıdır.

Araştırmacılar tarafından önerilen genişletilmiş Grafik Sinir Ağı (GNN), gerçek bağımlılıkları türeten daha kehanet odaklı bir yaklaşım benimsiyor. önsel, böylece, muhtemelen, anonim ve oturumu kapatmış kullanıcı, minimum girişle daha alakalı öneriler alabilir.

İnceleme artırılmış sistemin adı İncelenen Öğeler Arası Grafik Sinir Ağı (RI-GNN). Araştırmacılar bunu iki kişiye karşı test ettiler. Amazon'dan veri kümeleri, Evcil Hayvan malzemeleri ve Filmler ve TV. Bu, inceleme kullanılabilirliği sorununu oldukça düzgün bir şekilde çözse de, vahşi bir uygulamanın uygun bir inceleme veritabanını bulması ve kazıması gerekir. Böyle bir veri kümesi kaynağı, teorik olarak, bir sosyal ağdaki gönderilerden Quora'daki yanıtlara kadar her şey olabilir.

Bu nitelikteki üst düzey ilişki eşlemeleri, ek olarak, tavsiye sistemlerinin ötesinde bir dizi makine öğrenimi uygulaması için değerli olacaktır. Mevcut projelerin çoğu, sınırlı fonlar ve kapsam nedeniyle alanlar arası ve alan içi haritalama eksikliği nedeniyle engellenirken, gerçekten bilgili ve kitle kaynaklı bir e-ticaret tavsiye sisteminin ticari ivmesi potansiyel olarak bu boşluğu doldurabilir.

Metrikler ve Test

Yazarlar, RI-GNN'i, her biri bir kullanıcının satın alma geçmişinden ve ürünle ilgili genel incelemelerden oluşan her bir veri kümesinin iki versiyonuna karşı test etti. Beş defadan az görünen öğeler kaldırıldı ve kullanıcı geçmişi bir haftalık birimlere bölündü. İlk veri seti sürümü, birden fazla öğe içeren tüm oturumları ve ikincisi, beşten fazla öğe içeren tüm oturumları içeriyordu.

Proje, değerlendirme metrikleri için P@K (Hassasiyet) ve MRR@K (Ortalama Karşılıklı Sıra) kullandı. Test edilen rakip mimariler şunlardı: S-KNN; GRU4Rec; S-POP; KAŞE; BERT4Rec; DHCN; GCE-GNN; SR-GNN; Ve NARM.

Çerçeve, 100'lük gruplar halinde eğitildi. Adem için sırasıyla 0.001 ve 24 olarak ayarlanan konu sayısı ile 20 öğrenme hızında Evcil Hayvan malzemeleri ve Filmler ve TV.

İlk olarak 1 Şubat 2022'de yayınlandı.