İşe Yarayan Bir Öneri Sistemi Oluşturmak İçin İncelemeleri Kullanma

Eğer daha önce çevrimiçi bir ürün satın aldıysanız ve satın alma ve satış sonrası sürecinde sizi rahatsız eden 'ilgili öğelerin' anlamsızlığına ve uygulanamazlığına hayret ettiyseniz, popüler ve ana akım ürünlerin ne kadar gereksiz olduğunu zaten 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 edememekÖrneğin, 2000'li yıllarda TiVO'nun öneri sistemi bu sektörde erken bir tartışmaya yol açtı. algılanan cinselliği yeniden atamak Kullanıcı profilini daha sonra savaş filmleri seçerek 'yeniden erkekleştirmeye' çalışan bir kullanıcının algoritma revizyonuna yönelik kaba bir yaklaşım.

Daha da kötüsü, (örneğin) Amazon'dan gerçekten bir şey satın almanıza veya herhangi bir büyük yayın platformunda açıklamasına göz attığınız bir filmi izlemeye başlamanıza gerek yok. bilgiye aç Tavsiye algoritmalarının neşeyle yanlış yola girmesine izin vermeyin; 'ayrıntılar' sayfalarında yapılan aramalar, oyalanmalar ve tıklamalar yeterlidir ve bu yetersiz (ve muhtemelen yanlış) bilginin platformdaki gelecekteki tarama oturumlarında da devam etmesi muhtemeldir.

Tavsiye Sistemini Unutturmaya Çalışmak

Bazen müdahale etmek mümkün olabilir: Netflix, teoride makine öğrenme algoritmalarının öneriler profilinizden belirli gömülü kavramları ve kelimeleri kaldırmasına yardımcı olması gereken bir 'beğen yukarı/aşağı' sistemi sağlar (etkililiği kanıtlanmış 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 tamamen tüketici düzeyindeki deneyimlerin hiçbiri, 'pasif' reklam platformu öneri sistemlerine yönelik yaygın ve artan eleştirilere bile değinmiyor (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.

Makine ne istediğimizi bilmiyor gibi görünüyor, ta ki biz onu istemediğimiz sürece. 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

Ayrıca proje, öneri sisteminin satın alma geçmişi veya kullanıcının önceki satın alımlara ilişkin kendi çevrimiçi yorumları gibi kullanıcı tarafından sağlanan ayrıntılara erişiminin olmadığı anonim oturumlar sırasında bile öneri oluşturmanın önemli zorluğunu 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?

Oturum tabanlı önerilerin (SBR) temel görevi, mevcut öğeyle hesaplanan ilişkisine dayanarak, mevcut öğeden sonraki 'bir sonraki' öğeyi belirlemektir. Pratikte bu, bir e-ticaret web sitesindeki bir kuş kafesinin ürün sayfasındaki 'İlgili öğeler' listesi olarak ortaya çıkabilir.

Bir kuş kafesi satın alıyorsanız, başka neye ihtiyacınız olabilir? En azından içine koyacağınız bir kuşa ihtiyacınız olacak - bu da 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 görüldüğü gibi, bir öneri sistemini 'uzaktaki' 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, söz konusu ilişkilerin insan deneyiminin bir yönü olması, programatik olarak tahmin edilememesi ve muhtemelen veri kümesi etiketlemeye yönelik geleneksel yaklaşımların karşılanabilir kapsamının ötesinde olması nedeniyle, sorunu kalabalık kaynak kullanarak çözmektir. Amazon Mekanik Türk.

Bu nedenle araştırmacılar, bir ürüne yönelik yorumlardan dikkat çekici kelimeleri çıkarmak için Doğal Dil İşleme (NLP) mekanizmalarını kullandılar ve bu analizlerden elde edilen frekansları kullanarak görünüşte uzak öğeleri 'eşleştirebilen' yerleştirmeler oluşturdular.

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

Mimari ve Veri

Yeni makalede belirtildiği gibi, benzer nitelikteki önceki çalışmalar, ilkel eşlemeler sağlamak için oturum açmış bir kullanıcının kendi inceleme geçmişinden yararlanmıştır. Derin CONN ve RNS Her ikisi de bu yaklaşımı kullandı. Ancak bu, bir kullanıcının herhangi bir yorum yazmamış veya alışılmış alışveriş alışkanlıklarının "dışında" kalan belirli bir ürünle ilgili herhangi bir yorum yazmamış olabileceği gerçeğini göz ardı eder. Ayrıca, bu bir tür "beyaz kutu" yaklaşımıdır, çünkü kullanıcının bir hesap oluşturup giriş yapmak için mağazayla yeterince etkileşimde bulunduğunu varsayar.

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 veri setinin iki versiyonuyla test ettiler. Her versiyon, bir kullanıcının satın alma geçmişini ve ürün hakkındaki genel yorumlarını içeriyordu. Beş kereden az görünen öğeler kaldırıldı ve kullanıcı geçmişi haftalık birimlere bölündü. İlk veri seti versiyonunda birden fazla öğe içeren tüm oturumlar, ikinci versiyonda ise beşten fazla öğe içeren tüm oturumlar yer alıyordu.

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.