Tại Sao Trí Tuệ Nhân Tạo Không Cung Cấp Lời Khuyên Sản Phẩm Tốt Hơn

Nếu bạn quan tâm đến những điều kỳ lạ, có hai lý do tại sao các tìm kiếm của bạn về các mặt hàng và sản phẩm có thể ít liên quan đến sở thích của bạn so với những người đồng nghiệp “chính thống” của bạn; hoặc bạn là một trường hợp “biên” về tiền tệ hóa, những sở thích của bạn chỉ được đáp ứng nếu bạn cũng thuộc vào các danh mục quyền lực kinh tế cao (ví dụ, sản phẩm và dịch vụ liên quan đến ‘quản lý tài sản’); hoặc các thuật toán tìm kiếm mà bạn đang sử dụng đang tận dụng lọc cộng tác (CF), điều này ưu tiên sở thích của đa số.

Kể từ khi lọc cộng tác rẻ hơn và được thành lập hơn so với các thuật toán và khuôn khổ khác có khả năng hơn, có thể cả hai trường hợp này đều áp dụng.

Kết quả tìm kiếm dựa trên lọc cộng tác sẽ ưu tiên các mặt hàng được coi là phổ biến trong số “những người như bạn”, theo cách tốt nhất mà khuôn khổ chủ nhà có thể hiểu bạn là một người tiêu dùng như thế nào.

Nếu bạn lo lắng về việc cung cấp thông tin hồ sơ cho hệ thống chủ nhà – ví dụ, không muốn nhấn nút “Thích” trên Netflix và các dịch vụ nội dung video khác – bạn có thể được phân loại khá chung chung trong các tương tác đầu tiên của bạn với hệ thống, và các khuyến nghị bạn nhận được sẽ phản ánh các xu hướng phổ biến nhất.

Trên một nền tảng phát trực tuyến, điều đó có thể có nghĩa là bạn được khuyến nghị những chương trình và phim hiện đang “nóng”, chẳng hạn như truyền hình thực tế và phim tài liệu giết người pháp y, bất kể bạn quan tâm đến những thứ này hay không. Tương tự như vậy đối với các nền tảng khuyến nghị sách, sẽ có xu hướng đưa ra những cuốn sách bán chạy hiện tại và gần đây, dường như một cách tùy tiện.

Theo lý thuyết, ngay cả những người dùng cẩn thận về dữ liệu cũng nên nhận được kết quả tốt hơn từ các hệ thống như vậy dựa trên cách họ sử dụng chúng và những thứ họ tìm kiếm, vì hầu hết các khuôn khổ tìm kiếm đều cung cấp cho người dùng khả năng hạn chế để chỉnh sửa lịch sử sử dụng của họ.

Màu Sắc Bạn Muốn, Miễn Là Nó Đen

Tuy nhiên, theo một nghiên cứu mới từ Áo, sự thống trị của lọc cộng tác so với lọc dựa trên nội dung (điều này tìm kiếm mối quan hệ giữa các sản phẩm thay vì chỉ xem xét sự phổ biến chung), và các phương pháp thay thế khác, khiến các hệ thống tìm kiếm nghiêng về thiên vị phổ biến lâu dài, nơi các kết quả rõ ràng phổ biến được đẩy tới người dùng cuối không có khả năng hào hứng với chúng.

Nghiên cứu cho thấy rằng người dùng không quan tâm đến các mặt hàng phổ biến nhận được ‘khuyến nghị đa phương tiện kém hơn’ so với người dùng có mức độ quan tâm trung bình hoặc cao đến các mặt hàng phổ biến, và (có thể là một điều hiển nhiên) rằng các mặt hàng phổ biến được khuyến nghị thường xuyên hơn so với các mặt hàng không phổ biến. Các nhà nghiên cứu cũng kết luận rằng người dùng có ít quan tâm đến các mặt hàng phổ biến có xu hướng có hồ sơ người dùng lớn hơn, điều này có thể cải thiện hệ thống khuyến nghị – nếu chỉ các hệ thống có thể cai nghiện ‘động lượng đám đông’.

So sánh sự phổ biến với độ phức tạp của hồ sơ người dùng cho thấy rằng người dùng ‘biên’ không quan tâm đến nội dung chính thống thực sự có nhiều nội dung tiềm năng hơn cho hệ thống khuyến nghị để khai thác; nhưng vì những người dùng như vậy không tuân theo xu hướng, dường như đây là một cơ hội bị bỏ lỡ. Nguồn: https://arxiv.org/pdf/2203.00376.pdf

Bài báo này có tiêu đề Thiên vị phổ biến trong Hệ thống Khuyến nghị Đa phương tiện dựa trên Lọc cộng tác, và đến từ các nhà nghiên cứu tại Trung tâm Graz và Đại học Công nghệ Graz.

Lĩnh Vực Được Che Phủ

Dựa trên các công việc trước đây đã nghiên cứu các lĩnh vực riêng lẻ (chẳng hạn như khuyến nghị sách), bài báo mới này xem xét bốn lĩnh vực: sách điện tử (qua tập dữ liệu BookCrossing); phim (qua MovieLens); âm nhạc (qua Last.fm); và anime (qua MyAnimeList).

Nghiên cứu áp dụng bốn thuật toán lọc cộng tác phổ biến cho hệ thống khuyến nghị đa phương tiện (MMRS) đối với các tập dữ liệu chia thành ba nhóm người dùng, theo mức độ sẵn sàng tiếp nhận ‘kết quả phổ biến’: LowPop, MedPop, và HighPop. Các nhóm người dùng được lọc xuống 1000 nhóm có kích thước bằng nhau, dựa trên khả năng ít nhất, trung bình và nhiều nhất để ưa thích ‘kết quả phổ biến’.

Khi bình luận về kết quả, các tác giả cho biết:

‘[Chúng tôi] phát hiện ra rằng xác suất của một mục đa phương tiện được khuyến nghị mạnh mẽ tương quan với mức độ phổ biến của mục đó [và] rằng người dùng không quan tâm đến các mặt hàng phổ biến nhận được khuyến nghị đa phương tiện ‘kém hơn đáng kể’ so với người dùng có mức độ quan tâm trung bình và cao đến các mặt hàng phổ biến… ‘

‘Kết quả của chúng tôi cho thấy rằng mặc dù người dùng có ít quan tâm đến các mặt hàng phổ biến có xu hướng có hồ sơ người dùng lớn hơn, họ nhận được độ chính xác của khuyến nghị thấp nhất. Do đó, nghiên cứu trong tương lai cần thiết để giảm thiểu thiên vị phổ biến trong MMRS, cả trên mức độ mục và mức độ người dùng.’

Trong số các thuật toán được đánh giá có hai biến thể K-Nearest Neighbors (KNN), UserKNN và UserKNNAvg. Trong số này, không tạo ra một đánh giá trung bình cho người dùng và mục tiêu. Một phương pháp nhân tử ma trận không âm (NMF) cũng được thử nghiệm, cùng với một thuật toán CoClustering.

Thuật toán đánh giá xem xét nhiệm vụ khuyến nghị như một thách thức dự đoán, được đo lường bởi các nhà nghiên cứu theo nghĩa tuyệt đối trung bình (MAE), đối với giao thức xác thực chéo năm lần vượt quá sự chia cắt thông thường 80/20 giữa dữ liệu được đào tạo và thử nghiệm.

Kết quả chỉ ra rằng thiên vị phổ biến gần như được đảm bảo dưới lọc cộng tác. Câu hỏi, có thể là, liệu đây có phải là một vấn đề được nhận thức bởi các công ty đa tỷ đô la hiện đang tích hợp CF vào các thuật toán tìm kiếm của họ.

Trên tất cả bốn tập dữ liệu được nghiên cứu trong bốn khuyến nghị lọc cộng tác phổ biến, mỗi kết quả cho thấy rằng các mặt hàng đa phương tiện phổ biến có nhiều khả năng được khuyến nghị hơn so với các mặt hàng không phổ biến.

Con Đường ‘Dễ’ Ra

Mặc dù lọc cộng tác ngày càng được sử dụng như một phần của chiến lược thuật toán tìm kiếm rộng lớn hơn, nó có một vị thế mạnh trong lĩnh vực tìm kiếm, và logic cũng như khả năng sinh lời của nó dễ hiểu.

Ngay từ đầu, CF cơ bản chuyển nhiệm vụ đánh giá giá trị nội dung sang người dùng cuối, và sử dụng việc họ tiếp nhận nội dung như một chỉ số về giá trị và sự hấp dẫn tiềm năng của nó đối với các khách hàng khác. Theo cách tương tự, nó giống như một bản đồ về ‘truyền miệng’.

Lọc dựa trên nội dung (CBF) khó hơn, nhưng có thể cung cấp kết quả liên quan hơn. Trong lĩnh vực thị giác máy tính, một lượng nghiên cứu ngày càng tăng hiện đang được chi tiêu để phân loại nội dung video và thử nghiệm để suy ra các miền, tính năng và khái niệm cấp cao thông qua phân tích âm thanh và video trong đầu ra phim và truyền hình.

Một trong nhiều dự án nghiên cứu trong năm năm qua nhằm suy ra các tính năng ngữ nghĩa từ nội dung của các bộ phim, để tạo ra các khuyến nghị ‘kề cận’ thông minh hơn. Nguồn: https://arxiv.org/pdf/1701.00199.pdf

Tuy nhiên, đây là một việc theo đuổi tương đối mới mẻ, và gắn liền với cuộc đấu tranh chung hiện tại để lượng hóa, cô lập và khai thác các khái niệm và tính năng cấp cao trong kiến thức lĩnh vực.

Ai Sử Dụng Lọc Cộng Tác?

Tại thời điểm viết, động cơ khuyến nghị thường bị chỉ trích của Netflix vẫn tập trung vào các phương pháp lọc cộng tác khác nhau, áp dụng nhiều công nghệ phụ trong nỗ lực liên tục để tạo ra các khuyến nghị liên quan hơn cho người dùng.

Động cơ tìm kiếm của Amazon phát triển từ việc áp dụng sớm lọc cộng tác dựa trên người dùng sang phương pháp lọc cộng tác dựa trên mặt hàng, điều này đặt nhiều trọng tâm hơn vào lịch sử mua hàng của khách hàng. Tự nhiên, điều này có thể dẫn đến các loại không chính xác khác, chẳng hạn như bong bóng lọc, hoặc nhấn mạnh quá mức vào dữ liệu thưa thớt. Trong trường hợp sau, nếu một khách hàng Amazon không thường xuyên thực hiện một ‘mua hàng không bình thường’, chẳng hạn như một bộ operetta cho một người bạn yêu thích opera, có thể không có đủ mua hàng thay thế phản ánh sở thích của khách hàng để ngăn chặn mua hàng này trở thành một ảnh hưởng đến các khuyến nghị của chính họ.

Lọc cộng tác cũng được sử dụng rộng rãi bởi Facebook, song song với các phương pháp khác, và cũng bởi LinkedIn, YouTube và Twitter.

Được xuất bản lần đầu vào ngày 2 tháng 3 năm 2022.