İncelemeleri Kullanarak Çalışan Bir Öneri Sistemini Oluşturma

Eğer_online bir ürün satın aldınız ve ‘ilgili öğeler’ olarak adlandırılan ve satın alma ve satış sonrası sürecini takip eden anlamsız ve uygunsuz önerilere şahit olduysanız, popüler ve ana akım öneri sistemlerinin satın alma ilişkilerini anlamak konusunda yetersiz kaldığını zaten anlamışsınızdır.

Eğer nadir ve ender bir ürün satın alırsanız, örneğin bir fırın, diğer fırınlar için yapılan öneriler muhtemelen gereksiz olacaktır, ancak en kötü öneri sistemleri bunu kabul etmemektedir. 2000’li yıllarda, örneğin, TiVO’nun öneri sistemi bu sektörde erken bir tartışmaya neden oldu ve kullanıcının algılanan cinsiyetini yeniden atadı, ardından kullanıcı profiline savaş filmlerini seçerek ‘erkekliği’ yeniden kazanmaya çalıştı – algoritma revizyonu için kaba bir yaklaşım.

Daha da kötüsü, Amazon’ da veya herhangi bir büyük akış platformunda bir ürün satın almanız veya bir filmi izlemeye başlamanız gerekmez, bilgi açlığı olan öneri algoritmaları yanlış yola girmeye başlar; aramalar, bekleme ve ‘detaylar’ sayfalarına tıklamak yeterli olur ve bu az ve muhtemelen yanlış bilgi muhtemelen gelecekteki tarayıcı oturumlarında devam edecektir.

Öneri Sistemini Unutmaya Çalışmak

Bazen müdahale etmek mümkündür: Netflix, makine öğrenimi algoritmalarının belirli kavramları ve kelimeleri öneri profilinizden kaldırmasına yardımcı olan ‘başparmak yukarı/aşağı’ sistemini sunar (etkinliği sorgulandı ve sıfırdan kişiselleştirilmiş bir öneri algoritması oluşturmak istemeyen ontolojileri kaldırmaktan daha kolaydır), mientras Amazon size başlıkları müşteri geçmişinizden kaldırma izni verir, bu da hoş karşılanmayan alanları önerilerinize eklemekten kaçınmanıza yardımcı olmalıdır.

Hulu benzer bir özelliğe sahiptir, mientras HBO Max kısmen algoritma-tek öneri sistemlerinden geri çekildi, çünkü şu anki eksikliklerine karşı.

Hiçbiri de tüketici düzeyindeki deneyimlere bile dokunmaz, ‘pasif’ reklam platformu öneri sistemleri eleştirisi (şimdi önemli bir değişiklik geliyor) veya sosyal medya AI önerileri konusu, burada YouTube, Twitter ve Facebook eleştiriler almaya devam etmektedir.

Makine, arama sonuçlarınızın ‘yanındaki’ öğeyi anlamaz, ancak o öğe birincil öğenin bir kopyası veya alternatifi olabilir – Makine, bizim istediklerimizi anlamaz, ancak bizim aradığımız öğenin ‘yanındaki’ öğeyi anlar.

İnceleme Verileri ile Doğru Öneriler

Çin ve Avustralya’dan yeni bir araştırma işbirliği, böyle uygunsuz önerilere çözüm olarak, bir alışveriş oturumunda öğeler arasındaki gerçek ilişkileri anlamak için dış kullanıcı incelemelerini kullanmayı önermektedir. Testlerde, mimari tüm mevcut state-of-the-art yöntemleri aştı ve daha iyi öneri sistemleri için umut verdi.

RI-GNN, öğeler arasındaki ilişkilerin doğruluğunda diğer yarışmacıları geride bırakıyor ve beş öğeden fazla oturumlarda en iyi performansı gösteriyor. Sistem, Amazon İnceleme Verileri (2018)中的 Pet Supplies ve Movies and TV veri setlerine karşı test edildi. Kaynak: https://arxiv.org/pdf/2201.12532.pdf

Bunun yanı sıra, proje, öneri sistemlerinin anonim oturumlarda, yani öneri sistemi kullanıcının satın alma geçmişine veya önceki satın almaların incelemelerine erişimi olmadığında, öneriler oluşturma konusundaki önemli zorluğu ele alır.

Yeni makale Oturum Tabanlı Önerilerde Adjacent Bağımlılığın Yeniden Değerlendirilmesi olarak adlandırılmaktadır ve Çin’deki Qilu Üniversitesi Teknoloji ve Beijing Institute of Technology’den, Melbourne’deki RMIT Üniversitesi’nden ve Avustralya’daki Sydney Teknoloji Üniversitesi’ndeki Avustralya Yapay Zeka Enstitüsü’nden araştırmacılardan gelmektedir.

Önümüzdeki Adımlar

Oturum tabanlı önerilerin (SBR) temel görevi, bir öğenin hesaplanan ilişkisine dayanarak, bir öğeden sonraki öğeyi belirlemektir. Pratik olarak, bu, bir e-ticaret web sitesinde bir kuş kafesi için ‘İlgili öğeler’ listesi olarak ortaya çıkabilir.

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

Makaledeki gibi, çeşitli öğeler arasındaki doğru ve yanlış ilişkiler, sağ tarafta bir öğe-öğe grafi olarak görselleştirilmiştir.

Sık sık olduğu gibi, makine öğrenimi mimarilerinde, bir öneri sistemine, bir ‘uzak’ varlık (kuş evcil hayvan ürünleri içinde yer almaz) bir öğeyle içkin ve önemli bir ilişkiye sahip olabileceğini ikna etmek zor olabilir, oysa aynı kategoride ve merkezi kavramda yakın ve benzer işlevlere sahip öğeler (kedi besleme kabı gibi) satın alma işlemine dik veya zıt olabilir.

Bu tür haritaları ‘yakın olmayan’ varlıklar arasında oluşturmanın tek yolu, insan deneyimi açısından ilişkilerin bir yönü olduğu, programatik olarak tahmin edilemediği ve geleneksel veri etiketleme yaklaşımlarının sınırlı kapsamı ve fonları nedeniyle, bu ilişkileri oluşturmak için kitle kaynaklı bir yaklaşım benimsemektir.

Araştırmacılar, doğal dil işleme (NLP) mekanizmalarını kullanarak bir ürünün incelemelerinden önemli kelimeleri çıkarmış ve bu analizlerin sıklıklarını kullanarak, görünüşte uzak öğeleri ‘eşleştirebilecek’ gömme oluşturmuşlardır.

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

Mimari ve Veri

Yeni makale, benzer doğadaki önceki çalışmaların, bir kullanıcının kendi inceleme geçmişini kullanarak temel haritalamalar oluşturduğunu belirtmektedir. DeepCONN ve RNS bu yaklaşımı kullandı. Ancak, bu, bir kullanıcının bir inceleme yazmamış veya belirli bir öğe için alakalı bir inceleme yazmamış olabileceği gerçeğini göz ardı etmektedir. Ayrıca, bu, bir ‘beyaz kutu’ yaklaşımıdır, çünkü kullanıcının zaten perakendeci ile sufficient şekilde etkileşime girdiğini, bir hesap oluşturduğunu ve giriş yaptığını varsayar.

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

İnceleme-ağır sistem İnceleme Rafine Edilmiş Öğe-Öğe Grafik Sinir Ağı (RI-GNN) olarak adlandırılmaktadır. Araştırmacılar, bunu Amazon’dan alınan Pet Supplies ve Movies and TV veri setlerine karşı test etti. Bu, inceleme kullanılabilirliği sorununu oldukça güzel bir şekilde çözüyor, ancak gerçek dünya uygulaması, uygun bir inceleme veritabanını bulup kazıma gerektirecektir. Böyle bir veri seti kaynağı, teoride, bir sosyal ağdaki gönderilerden Quora’daki cevaplara kadar her şey olabilir.

Bu tür yüksek düzeyli ilişki haritalamaları, öneri sistemlerinin ötesinde, makine öğrenimi uygulamalarına da değerli olacaktır. Çoğu güncel proje, sınırlı fonlar ve kapsam nedeniyle, inter ve intra-domain haritalama eksikliği nedeniyle engellenmektedir, oysa gerçekten bilgili ve kitle kaynaklı bir e-ticaret öneri sistemi ticari itici gücü, bu boşluğu doldurabilir.

Metrikler ve Testler

Yazarlar, RI-GNN’yi, her biri bir kullanıcının satın alma geçmişini ve genel ürün incelemelerini içeren, her biri iki versiyondan oluşan iki veri setine karşı test etti. Beş defadan az görünen öğeler kaldırıldı ve kullanıcı geçmişi bir haftalık birimlere 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 Rekiprokal Sıra) için değerlendirme metriklerini kullandı. Rakip mimariler S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; ve NARM idi.

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.