Sử dụng đánh giá để tạo hệ thống giới thiệu hoạt động

Nếu bạn đã từng mua sản phẩm trực tuyến và ngạc nhiên về sự vô nghĩa và không liên quan của các mục “liên quan” trong quá trình mua hàng và sau bán hàng, bạn đã hiểu rằng các hệ thống giới thiệu phổ biến và được sử dụng rộng rãi thường không hiểu rõ mối quan hệ giữa các mục mua sắm tiềm năng.

Nếu bạn mua một mục không thường xuyên, chẳng hạn như một lò nướng, các khuyến nghị cho các lò nướng khác có thể là không cần thiết, mặc dù các hệ thống giới thiệu tồi tệ nhất không thừa nhận điều này. Vào những năm 2000, ví dụ, hệ thống giới thiệu của TiVO đã tạo ra một cuộc tranh cãi sớm trong lĩnh vực này bằng cách gán lại tính cách của người dùng, người sau đó đã cố gắng “nam tính hóa” hồ sơ người dùng của mình bằng cách chọn các bộ phim chiến tranh – một cách tiếp cận thô sơ để sửa đổi thuật toán.

Thật tệ hơn, bạn không cần phải mua bất cứ thứ gì tại (ví dụ) Amazon, hoặc thậm chí bắt đầu xem một bộ phim mà bạn đang xem trên một nền tảng phát trực tuyến lớn, để thuật toán giới thiệu thiếu thông tin bắt đầu đi sai hướng; tìm kiếm, dừng và nhấp vào các trang “chi tiết” là đủ, và thông tin này có thể được truyền đạt trong các phiên duyệt web tương lai trên nền tảng.

Cố gắng làm cho hệ thống giới thiệu quên

Đôi khi có thể can thiệp: Netflix cung cấp hệ thống “thumbs up/down” có thể giúp thuật toán học máy của nó loại bỏ một số khái niệm và từ ngữ nhất định khỏi hồ sơ giới thiệu của bạn (mặc dù hiệu quả của nó đã được đặt câu hỏi, và nó vẫn dễ dàng hơn để phát triển một thuật toán giới thiệu cá nhân hóa từ đầu thanh là loại bỏ các ontology không mong muốn), trong khi Amazon cho phép bạn loại bỏ tiêu đề khỏi lịch sử khách hàng của bạn, điều này nên hạ cấp bất kỳ miền không mong muốn nào đã xâm nhập vào các khuyến nghị của bạn.

Hulu có một tính năng tương tự, trong khi HBO Max đã lùi lại một phần từ các hệ thống giới thiệu chỉ dựa trên thuật toán, trước những hạn chế hiện tại của chúng.

Không một trong những trải nghiệm này ở cấp độ người tiêu dùng thậm chí còn chạm vào sự chỉ trích rộng rãi và ngày càng tăng về các hệ thống giới thiệu “bị động” của nền tảng quảng cáo (trong đó có sự thay đổi đáng chú ý do sự phẫn nộ của công chúng), hoặc chủ đề gây tranh cãi về các khuyến nghị AI trên phương tiện truyền thông xã hội, nơi các trang web như YouTube, Twitter và Facebook tiếp tục phải chịu sự chỉ trích vì các khuyến nghị không liên quan hoặc thậm chí gây hại.

Máy không có vẻ như biết chúng ta muốn gì, trừ khi chúng ta muốn mục liền kề mà xuất hiện trong tìm kiếm của chúng ta – ngay cả khi mục đó基本 là một bản sao hoặc thay thế cho mục chính mà chúng ta vừa mua, chứ không phải là một mua hàng bổ sung hoặc phụ trợ tiềm năng.

Khuyến nghị chính xác với dữ liệu đánh giá

Một sự hợp tác nghiên cứu mới từ Trung Quốc và Úc cung cấp một phương pháp mới để giải quyết các khuyến nghị không phù hợp như vậy, bằng cách sử dụng các đánh giá của người dùng bên ngoài để có được sự hiểu biết tốt hơn về mối quan hệ thực sự giữa các mục trong một phiên mua sắm. Trong các thử nghiệm, kiến trúc này đã vượt qua tất cả các phương pháp hiện tại, mang lại hy vọng cho các hệ thống giới thiệu có bản đồ phụ thuộc mục tốt hơn.

RI-GNN outperforms major competitors in terms of accuracy of relationships between items, performing best on sessions with more than five items. The system was tested against the Pet Supplies and Movies and TV datasets from Amazon Review Data (2018). Source: https://arxiv.org/pdf/2201.12532.pdf

Để boot, dự án này giải quyết thách thức đáng kể của việc tạo khuyến nghị ngay cả trong các phiên không xác định, nơi hệ thống giới thiệu không có quyền truy cập vào chi tiết do người dùng đóng góp, chẳng hạn như lịch sử mua hàng hoặc đánh giá trực tuyến của người dùng về các mua hàng trước đó.

Bản bài báo mới này được gọi là Rethinking Adjacent Dependency in Session-based Recommendations, và đến từ các nhà nghiên cứu tại Đại học Công nghệ Qilu và Viện Công nghệ Bắc Kinh ở Trung Quốc, Đại học RMIT tại Melbourne, và Viện Trí tuệ Nhân tạo Úc tại Đại học Công nghệ Sydney.

Tìm hiểu thêm?

Nhiệm vụ cốt lõi của các khuyến nghị dựa trên phiên (SBR) là xác định mục “tiếp theo” từ mục hiện tại, dựa trên mối quan hệ tính toán của nó với mục hiện tại. Trong thực tế, điều này có thể thể hiện dưới dạng danh sách “Mục liên quan” trong trang mục cho một lồng chim tại một trang web thương mại điện tử.

Nếu bạn đang mua một lồng chim, bạn có thể cần gì khác? Chắc chắn, bạn sẽ cần một con chim để đặt vào đó – đó là một phụ thuộc thực sự. Tuy nhiên, lồng chim được giới thiệu trong ontology hàng hóa thú cưng, nơi chim không được bán. Ngược lại, thức ăn mèo nằm trong cùng một ontology, mặc dù việc thêm một bát ăn mèo như một khuyến nghị liên quan cho một sản phẩm lồng chim là một phụ thuộc sai – một sự liên kết bị hiểu lầm và sai lầm.

From the paper: true and false relationships between several items, visualized on the right as an inter-item graph.

Như thường thấy trong các kiến trúc học máy, việc thuyết phục một hệ thống giới thiệu rằng một thực thể “xa” (chim không có trong sản phẩm thú cưng) có thể có mối quan hệ nội tại và quan trọng với một mục, trong khi các mục trong cùng một danh mục và rất gần về chức năng và khái niệm trung tâm (chẳng hạn như bát ăn mèo) có thể là trực giao hoặc ngược lại với mua hàng được xem xét.

Cách duy nhất để tạo ra các bản đồ giữa các thực thể “không liền kề” là phải thu thập thông tin từ cộng đồng, vì các mối quan hệ được đề cập là một khía cạnh của kinh nghiệm con người, không thể đoán được một cách lập trình và có thể nằm ngoài phạm vi chi phí và phạm vi của các phương pháp tiếp cận truyền thống để gắn nhãn dữ liệu, chẳng hạn như Amazon Mechanical Turk.

Do đó, các nhà nghiên cứu đã sử dụng các cơ chế Xử lý Ngôn ngữ Tự nhiên (NLP) để trích xuất các từ quan trọng từ các đánh giá cho một sản phẩm và đã sử dụng tần suất từ các phân tích này để tạo ra các bản nhúng có khả năng “khớp” các mục có vẻ cách xa.

The architecture for Review-refined Inter-item Graph Neural Network (RI-GNN).

Kiến trúc và Dữ liệu

Như bài báo mới này lưu ý, các công trình trước đây có tính chất tương tự đã khai thác lịch sử đánh giá của người dùng đã đăng nhập để cung cấp các bản đồ cơ bản. DeepCONN và RNS đều sử dụng phương pháp này. Tuy nhiên, điều này không tính đến việc người dùng có thể không viết bất kỳ đánh giá nào, hoặc bất kỳ đánh giá nào liên quan đến một mục cụ thể nằm “ngoài tầm với” của thói quen mua sắm thông thường của họ. Ngoài ra, đây là một cách tiếp cận “hộp trắng”, vì nó giả định rằng người dùng đã tham gia đủ với điểm bán để tạo tài khoản và đăng nhập.

Mạng nơ-ron đồ thị mở rộng (GNN) được đề xuất bởi các nhà nghiên cứu áp dụng một cách tiếp cận được điều khiển bởi oracle hơn, suy ra các phụ thuộc thực sự a priori, để người dùng ẩn danh và không đăng nhập có thể trải nghiệm các khuyến nghị liên quan với đầu vào tối thiểu yêu cầu.

Hệ thống được tăng cường bởi đánh giá có tên là Mạng nơ-ron đồ thị giữa mục được tinh chỉnh bởi đánh giá (RI-GNN). Các nhà nghiên cứu đã thử nghiệm nó chống lại hai tập dữ liệu từ Amazon, Thực phẩm thú cưng và Phim và TV. Mặc dù điều này giải quyết vấn đề về tính sẵn có của đánh giá một cách gọn gàng, nhưng việc triển khai trong thế giới thực sẽ cần phải tìm và thu thập một cơ sở dữ liệu đánh giá phù hợp. Một nguồn dữ liệu như vậy có thể là bất cứ thứ gì từ các bài đăng trên mạng xã hội đến các câu trả lời trên Quora.

Các bản đồ mối quan hệ cấp cao như vậy sẽ, ngoài ra, có giá trị đối với nhiều ứng dụng học máy ngoài các hệ thống giới thiệu. Nhiều dự án hiện tại bị hạn chế bởi sự thiếu hụt bản đồ giữa và trong miền do nguồn lực và phạm vi hạn chế, trong khi động lực thương mại của một hệ thống giới thiệu thương mại điện tử真正 biết thông tin và được thu thập từ cộng đồng có thể có khả năng lấp đầy khoảng trống đó.

Đo lường và Kiểm tra

Các tác giả đã kiểm tra RI-GNN chống lại hai phiên bản của mỗi tập dữ liệu, mỗi phiên bản bao gồm lịch sử mua hàng của người dùng và các đánh giá chung của sản phẩm. Các mục xuất hiện ít hơn năm lần đã bị xóa, và lịch sử người dùng được chia thành đơn vị một tuần. Phiên bản tập dữ liệu đầu tiên bao gồm tất cả các phiên có hơn một mục, và phiên bản thứ hai bao gồm tất cả các phiên có hơn năm mục.

Dự án sử dụng P@K (Độ chính xác) và MRR@K (Xếp hạng trung bình đảo) làm các chỉ số đánh giá. Các kiến trúc đối thủ được kiểm tra bao gồm: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; và NARM.

Khung đã được đào tạo trong các lô 100 trên Adam với tốc độ học 0,001, với số chủ đề được đặt thành 24 và 20, tương ứng, cho Thực phẩm thú cưng và Phim và TV.

Được xuất bản lần đầu vào ngày 1 tháng 2 năm 2022.