Neden Yapay Zeka Daha İyi Ürün Önerileri Sunmuyor

Eğer ilginç şeylere ilgi duyuyorsanız, aramalarınızın ürün ve öğelerle ilgili olması muhtemelen ‘ana akım’ peer’lerinkine göre daha az ilgili olacaktır; ya bir ‘para kazanma’ kenar durumu olan ve sadece ekonomik satın alma gücünün üst kategorilerindeyseniz ilgi alanlarınıza hizmet verecek (örneğin, ‘varlık yönetimi’ ile ilgili ürün ve hizmetler); veya kullandığınız arama algoritmaları işbirliği filtreleme (CF) kullanıyor, bu da çoğunluğun ilgi alanlarını tercih ediyor.

İşbirliği filtrelemenin diğer potansiyel olarak daha yetenekli algoritmalar ve çerçevelerden daha ucuz ve daha kurulmuş olması muhtemeldir, bu nedenle her iki durum da geçerli olabilir.

CF tabanlı arama sonuçları, ‘sizin gibi insanlar’ arasında popüler olarak algılanan öğeleri önceliklendirecektir, ana çerçevenin sizi bir tüketici olarak anlaması kadar.

Eğer veri profil bilgisi sağlamak için sistem sunucusuna karşı temkinliyseniz – örneğin, Netflix ve diğer video içeriği hizmetlerinde ‘Beğen’ düğmelerini tıklatmak istemiyorsanız – sistemle ilk etkileşimlerinizde oldukça genel olarak sınıflandırılacaksınız ve aldığınız öneriler en popüler eğilimlere yansıyacaktır.

Bir akış platformunda, bu, gerçeklik TV’si ve adli cinayet belgeselleri gibi şu anda ‘sıcak’ olan gösteriler ve filmleri önermek anlamına gelebilir, bu ilgi alanlarınızla ilgili olsun veya olmasın. Aynı durum kitap öneri platformları için de geçerlidir, bunlar genellikle güncel ve son satışları önerirler.

Teoride, veri-kısıtlı kullanıcılar da, sistemleri kullandıkları şekilde ve aradıkları şeyler temelinde, daha iyi sonuçlar almalıdırlar, çünkü çoğu arama çerçevesi kullanıcıların sınırlı bir şekilde kullanım geçmişlerini düzenleme yeteneği sağlar.

Her Renk Gibi, Sadece Siyah Olmak Koşuluyla

Ancak, Avusturya’dan yeni bir çalışmaya göre, işbirliği filtrelemenin içerik tabanlı filtreleme (içerik arasındaki ilişkileri yalnızca toplu popülerlik yerine araştıran) ve diğer alternatif yaklaşımlar üzerindeki hakimiyeti, arama sistemlerini uzun vadeli popülerlik yanlılığına doğru yönlendiriyor, açıkça popüler sonuçlar, onlardan heyecan duymayacak son kullanıcılar için önceliklendiriliyor.

Çalışma, popüler olmayan öğelere ilgi duymayan kullanıcıların, orta veya yüksek popülerlik ilgisi olan kullanıcılarla karşılaştırıldığında ‘önemli ölçüde daha kötü’ öneriler aldıklarını ve popüler öğelerin, popüler olmayan öğelere kıyasla daha sık önerildiğini buldu. Araştırmacılar ayrıca, popüler öğelere karşı düşük ilgi duyan kullanıcıların, öneri sistemlerini geliştirebilecek daha büyük kullanıcı profillerine sahip olduğunu, ancak sistemlerin ‘sürü’ ölçütlerine karşı bağımlılığını bırakamadıklarını belirtiyorlar.

Popülerlik ile kullanıcı profili karmaşıklığını karşılaştırmak, ana akım içeriğine ilgi duymayan ‘kenar’ kullanıcıların aslında öneri sistemleri için daha fazla içerik madenciliği potansiyeline sahip olduğunu gösteriyor; ancak bu kullanıcılar eğilimlere uymadıkları için bu bir kayıp fırsat gibi görünüyor. Kaynak: https://arxiv.org/pdf/2203.00376.pdf

Çalışma, Popülerlik Yanlılığı İşbirliği Filtreleme Tabanlı Çoklu Ortam Öneri Sistemlerinde adlı bir makale ve Graz’daki now-Center GmbH ve Graz Teknoloji Üniversitesi’nden araştırmacılardan geliyor.

Kapsanan Alanlar

Önceki çalışmaların bireysel sektörleri incelediği (kitap önerileri gibi) çalışmaya dayanarak, yeni makale dört alanı inceliyor: dijital kitaplar (BookCrossing veri kümesi aracılığıyla); filmler (MovieLens aracılığıyla); müzik (Last.fm aracılığıyla); ve animeler (MyAnimeList aracılığıyla).

Çalışma, dört popüler çoklu ortam öneri sistemi (MMRS) işbirliği filtreleme algoritmalarını, kullanıcıların ‘popüler’ sonuçlara açık olmalarına göre üç kullanıcı grubuna ayırarak veri kümelerine uyguladı: DüşükPop, OrtaPop ve YüksekPop. Kullanıcı grupları, en az, ortalama ve en çok ‘popüler’ sonuçlara açık olma ihtimallerine göre 1000 eşit büyüklükte gruplara indirildi.

Araştırmacılar sonuçlar hakkında şunları söylediler:

‘[Biz] bir çoklu ortam öğesinin önerilmesi olasılığının güçlü bir şekilde bu öğenin popülerliği ile ilişkili olduğunu ve düşük popülerlik eğilimine (DüşükPop) sahip kullanıcıların, orta (OrtaPop) ve yüksek (YüksekPop) popülerlik eğilimine sahip kullanıcılarla karşılaştırıldığında önemli ölçüde daha kötü çoklu ortam önerileri aldıklarını bulduk…

‘Sonuçlarımız, popüler öğelere karşı az ilgi duyan kullanıcıların aslında en büyük kullanıcı profillerine sahip olduğunu, ancak en düşük öneri doğruluğuna sahip olduğunu gösteriyor. Bu nedenle, gelecekteki araştırmalar, hem öğe hem de kullanıcı düzeyinde MMRS’de popülerlik yanlılığını azaltmaya yönelik olmalıdır.’

Değerlendirilen algoritmalar arasında, iki K-En Yakın Komşular (KNN) varyantı, UserKNN ve UserKNNAvg bulunuyordu. İlk varyant, hedef kullanıcı ve öğe için ortalama bir puan oluşturmuyor. Bir negatif olmayan matris faktörleme varyantı (NMF) ve bir CoClustering algoritması da test edildi.

Değerlendirme protokolü, öneri görevini, beş katlı çapraz doğrulama protokolü ile ölçülmüş ortalama mutlak hata (MAE) olarak değerlendirdi.

Sonuçlar, işbirliği filtreleme altında neredeyse garantili bir popülerlik yanlılığı olduğunu gösteriyor. Soru, muhtemelen, bu durumun çok milyar dolarlık şirketler tarafından bir sorun olarak algılanıp algılandığıdır.

Dört veri kümesi boyunca dört popüler İşbirliği Filtreleme önerisinin her bir sonucu, popüler medya öğelerinin, popüler olmayan tekliflere kıyasla daha sık önerildiğini gösteriyor.

Kolay Çıkış Yolu

İşbirliği filtreleme, arama algoritmaları stratejisinin daha geniş bir parçasının yalnızca bir parçası olarak giderek daha fazla kullanılıyor, ancak arama sektöründe güçlü bir paya sahip ve mantığı ve potansiyel kârlılığı anlaşılması kolay.

Kendiliğinden, CF, içerik değerini değerlendirmek görevini son kullanıcıya devrediyor ve içeriğin alınmasını, değerinin ve diğer müşteriler için potansiyel çekiciliğinin bir göstergesi olarak kullanıyor. Benzetme yoluyla, bu esasen bir ‘su soğutucusu dedikodusu’ haritası.

İçerik tabanlı filtreleme (CBF) daha zor, ancak daha ilgili sonuçlar sunabilir. Bilgisayar vizyonu sektöründe, video içeriğini kategorize etme ve alanları, özellikleri ve yüksek düzeyli kavramları film ve TV çıkışındaki ses ve video analizi yoluyla türetme üzerine giderek daha fazla araştırma harcanıyor.

Son beş yıl içinde filmlerin içeriğinden daha akıllı ‘bitişik’ öneriler oluşturmak için özellikler türetmeye çalışan birçok araştırma projesinden biri. Kaynak: https://arxiv.org/pdf/1701.00199.pdf

Ancak bu, alan bilgisi ve yüksek düzeyli kavram ve özelliklerin nicelendirilmesi, izole edilmesi ve sömürülmesi için genel mücadeleyle bağlantılı daha yeni bir girişimdir.

Kim İşbirliği Filtreleme Kullanıyor?

Yazının yazıldığı tarihte, Netflix’in sık eleştirilen öneri motoru, çeşitli ek teknoloji uygulamaları ile birlikte çeşitli işbirliği filtreleme yaklaşımlarına odaklanmayı sürdürüyor.

Amazon’ un arama motoru, gelişti ve kullanıcı tabanlı işbirliği filtrelemesinden, müşteri satın alma geçmişine daha fazla önem veren öğe-öğe işbirliği filtreleme yöntemine geçti. Doğal olarak, bu, filtre balonları veya seyrek verilere aşırı vurgu gibi farklı türden hatalara yol açabilir. Sonuncusunda, seyrek bir Amazon müşterisi, bir opera seven arkadaş için opera setleri gibi ‘alışılmadık’ bir satın alma yaparsa, müşterinin kendi tercihlerini yansıtan alternatif satın almalar olmayabilir ve bu satın alma, kendi önerilerini etkileyebilir.

İşbirliği filtreleme ayrıca Facebook tarafından, diğer yaklaşımlarla birlikte ve ayrıca LinkedIn, YouTube ve Twitter tarafından yaygın olarak kullanılıyor.

İlk olarak 2 Mart 2022’de yayımlandı.