¿Cómo modelar mejores recomendaciones en tiempo de Covid?

( Valentina Djordjevic) (10 de noviembre de 2020)

Necesita el sector de las tecnologías de la información cambia constantemente. Después de que el coronavirus nos golpeara inesperadamente, esto es más cierto que nunca. Para mantener la distancia entre nosotros, nos vimos obligados a limitar todas nuestras actividades que no se pueden realizar en línea. Al principio, esto fue impactante y no estábamos preparados para tal cambio. Pero cuando nos acostumbramos, nos dimos cuenta de que el negocio en línea no es el futuro, es AHORA.

Los usuarios ahora esperan plataformas de comercio electrónico confiables, con una experiencia de usuario satisfactoria. Teniendo en cuenta una gran cantidad de usuarios, productos y competencia, está claro que esto es realmente difícil de lograr. Así que, durante la cuarentena, intentamos aprovecharla al máximo y encontrar algo que pueda ser valioso para nuestros clientes y que mejore tanto el comercio electrónico como el negocio principal. Decidimos centrarnos en crear los sistemas de recomendación de próxima generación.

En nuestras otras publicaciones de blog, puede encontrar una explicación detallada de los sistemas de recomendación. En resumen, los sistemas de recomendación en los sitios web de comercio electrónico sugieren nuevos artículos a los clientes al recopilar las preferencias de las personas en función del análisis del comportamiento de las personas. Los sistemas de recomendación pueden aportar numerosos beneficios a las empresas que los utilizan:

  1. los usuarios pueden encontrar productos deseables mucho más rápido
  2. los usuarios pueden obtener productos coincidentes durante el proceso de compra del carrito
  3. evitar que los usuarios abandonen carritos de compras
  4. activar correos electrónicos basados ​​en interacciones en línea
  5. mucho mejor experiencia de usuario , especialmente con recomendaciones personalizadas o incluso páginas completas

Los sistemas de recomendación de próxima generación

La industria del comercio electrónico se expandirá a mayor escala, y también lo son los motores de recomendación. Se espera que los sistemas de recomendación de próxima generación incluyan las siguientes características:

  • recomendaciones más personalizadas – los sistemas de recomendación serían más capaces de profundizar en la información de los clientes, lo que les ayudará a presentarles recomendaciones más relevantes y centradas en el cliente.
  • llegar a los clientes a través de múltiples canales : los sistemas de recomendación en el futuro serían más capaces de llegar a los usuarios a través de varios medios, como correos electrónicos, canales de redes sociales, fuera del sitio widgets de compra, aplicaciones móviles, etc.
  • recomendaciones en tiempo real : los sistemas de recomendación basados ​​en el aprendizaje profundo pueden proporcionar comportamiento en tiempo real al modelo. Su objetivo es presentar los elementos correctos a un usuario, en el momento que sea más útil para ella.

Sabiendo todo esto, tratamos de encontrar la arquitectura para un nuevo motor de recomendación que pueda trabajar con datos en línea, en tiempo real y que pueda obtener información sobre los usuarios para obtener recomendaciones mejores y más personalizadas. Ese «unicornio» es el modelo HRNN .

Recomendador basado en sesión con HRNN (Hierarchical Recurrent Neural Networks)

¿Por qué un recomendador basado en sesiones? En muchos sistemas en línea donde se aplican recomendaciones, las interacciones entre un usuario y el sistema se organizan en sesiones y esas sesiones tienen un objetivo: encontrar algún producto o servicio. Si el modelo es consciente de cuál es la intención del usuario en una sesión determinada, el rendimiento de las recomendaciones se puede mejorar con esa información y serán más relevantes. Pero el historial del usuario también es importante: si dos usuarios en sesiones anteriores tienen intereses diferentes, deberían obtener recomendaciones diferentes en las sesiones actuales, incluso si las sesiones actuales son las mismas. Para lograrlo, estamos usando el modelo HRNN .

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

En uno de nuestras próximas publicaciones de blog, escribiremos sobre HRNN en detalle, pero en general, la idea es que apliquemos este algoritmo cuando los identificadores de usuario estén presentes y propaguemos información de la sesión de usuario anterior a la siguiente, mejorando así la precisión de la recomendación.

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

En la imagen, puede ver dos capas de redes neuronales. La superior es la representación a nivel de sesión y en sus celdas de memoria guarda información de una sola sesión. Esa información (salida) se ingresa en la red inferior, que es la representación a nivel de usuario. Las celdas de memoria de la red inferior mantienen información sobre todas las sesiones para un usuario y propagan esa información para cada sesión siguiente. Con esta arquitectura, hemos cubierto casos en los que tenemos un identificador de usuario, pero si no lo tenemos, esta arquitectura se reduce a un recomendador basado en sesiones y solo tiene en cuenta los datos de la sesión actual. Como resultado, obtenemos las mejores N recomendaciones para cada sesión de usuario, y eso es exactamente lo que queríamos en primer lugar.

Si está interesado en cómo se implementó esto en el caso de uso real y cuáles fueron los resultados, siga nuestro blog, estaremos encantados de compartir nuestra experiencia al respecto en nuestras futuras publicaciones de blog. Puede contactarnos para obtener una explicación más profunda, o si tiene una impresión que compartir sobre cómo mejorar y desarrollar motores de recomendación de la próxima generación, estaremos más que felices de escucharlo. 🙂

Más fuentes:

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/

Publicado originalmente en https://thingsolver.com el 26 de octubre de 2020.