Jak modelovat lepší doporučení v době Covid?

( Valentina Djordjevic) (10. listopadu 2020)

Vyžaduje IT sektor se neustále mění. Poté, co nás koronavirus nečekaně zasáhl, je to pravda, více než kdy jindy. Abychom si od sebe udrželi odstup, byli jsme nuceni omezit všechny naše aktivity, které nelze provést online. Zpočátku to bylo šokující a nebyli jsme připraveni na takovou změnu. Ale když jsme si zvykli, uvědomili jsme si, že online podnikání není budoucnost, je to HNED.

Uživatelé nyní očekávají spolehlivé platformy eCommerce s uspokojivým uživatelským zážitkem. Vzhledem k velkému počtu uživatelů, produktů a konkurence je jasné, že toho je opravdu těžké dosáhnout. Během karantény jsme se tedy snažili co nejlépe využít a přijít s něčím, co může být pro naše klienty cenné a co zlepší jak eBusiness, tak hlavní podnikání. Rozhodli jsme se zaměřit na vytvoření systémů doporučujících nové generace.

V našich dalších blogových příspěvcích najdete podrobné vysvětlení systémů doporučujících. Stručně řečeno, systémy doporučení na webových stránkách elektronického obchodování navrhují zákazníkům nové položky tím, že shromažďují preference lidí na základě analýzy jejich chování. Systémy doporučení mohou společnostem, které je používají, přinést řadu výhod:

  1. uživatelé mohou najít žádané produkty mnohem rychleji
  2. uživatelé mohou během procesu kontroly košíku získat odpovídající produkty li> zabránit uživatelům opustit nákupní vozíky
  3. spouštět e-maily založené na online interakcích
  4. mnohem lepší uživatelské zkušenosti , zejména s personalizovanými doporučeními nebo dokonce s celými stránkami

doporučující systémy nové generace

průmysl elektronického obchodování se bude rozšiřovat ve větším měřítku, a také doporučení motory. Očekává se, že systémy doporučujících nové generace budou obsahovat následující funkce:

  • přizpůsobenější doporučení – systémy doporučovatelů by se staly schopnějšími hlouběji proniknout do údajů o zákaznících, což jim pomůže představit jim relevantnější doporučení zaměřená na zákazníka.
  • oslovit zákazníky prostřednictvím více kanálů – systémy doporučujících v budoucnu by byly schopnější oslovit uživatele napříč různými médii, jako jsou e-maily, kanály sociálních médií, mimo web nákupní widgety, mobilní aplikace atd.
  • doporučení v reálném čase – systémy doporučení založené na hlubokém učení mohou poskytnout modelu chování v reálném čase. Jejich cílem je představit uživateli ty správné položky v době, kdy je pro ni nejužitečnější.

Když jsme to všechno věděli, pokusili jsme se najít architekturu pro nový doporučující stroj, který by pracovat s online daty v reálném čase a tím získat informace o uživatelích pro lepší a osobnější doporučení. Tento „jednorožec“ je model HRNN .

Doporučení podle relací s HRNN (hierarchický rekurentní neuron Networks)

Proč doporučující na základě relace? V mnoha online systémech, kde se používají doporučení, jsou interakce mezi uživatelem a systémem organizovány do relací a tyto relace mají cíl – najít nějaký produkt nebo službu. Pokud si model je vědom toho, co je záměrem uživatele v dané relaci, výkon doporučení lze pomocí těchto informací zlepšit a budou relevantnější. Důležitá je ale také uživatelská historie – pokud mají dva uživatelé v předchozích relacích různé zájmy, měli by v aktuálních relacích získat různá doporučení, i když jsou aktuální relace stejné. Abychom toho dosáhli, používáme model HRNN .

Zdroj: https://assets.amazon.science/96/71/d1f25754497681133c7aa2b7eb05/temporal-contextual-recommendation-in-real-time.pdf

V jednom z našich dalších blogových příspěvků budeme podrobně psát o HRNN, ale obecně platí, že tento algoritmus použijeme, když jsou k dispozici identifikátory uživatelů, a šíříme informace z předchozí relace uživatele do další, čímž se zlepší přesnost doporučení.

Zdroj: https://arxiv.org/pdf/1706.04148.pdf

Na obrázku může vidět dvě vrstvy neuronových sítí. Horní část je reprezentace na úrovni relace a ve svých paměťových buňkách uchovává informace pouze o jedné relaci. Tyto informace (výstupy) se zadávají do nižší sítě, což je reprezentace na úrovni uživatele. Paměťové buňky nižší sítě uchovávají informace o všech relacích pro jednoho uživatele a šíří tyto informace pro každou další relaci. S touto architekturou jsme pokryli případy, kdy máme identifikátor uživatele, ale pokud tak neučiníme, přijde tato architektura pouze na doporučujícího na základě relace a zohlední pouze aktuální data relace. Ve výsledku získáváme nejlepších N doporučení pro každou relaci uživatele, a to je přesně to, co jsme na prvním místě chtěli.

Pokud vás zajímá, jak to bylo implementováno v případě skutečného použití a jaké byly výsledky, sledujte náš blog, rádi se o ně podělíme v našich budoucích příspěvcích na blogu. Můžete nás kontaktovat, abychom získali podrobnější vysvětlení, nebo máte-li dojem, že se můžete podělit o zdokonalení a vývoj doporučovacích motorů příští generace – budeme rádi, když to uslyšíme. 🙂

Další zdroje:

https://arxiv.org/pdf/1706.04148.pdf

https://assets.amazon.science/96/71/d1f25754497681133c7aa2b7eb05/temporal-contextual-recommendation-in-real-time .pdf

http://blog.analyticspath.com/artificial-intelligence/the-next-generation-recommender-systems/

https://www.xenonstack.com/blog/recommender-systems/

https://emerj.com/ai-sector-overviews/use-cases-recommendation-systems/

Původně publikováno na https://thingsolver.com 26. října 2020.