Come modellare consigli migliori in tempo Covid?

( Valentina Djordjevic) (10 novembre 2020)

Richiede il settore IT è in continua evoluzione. Dopo che il Coronavirus ci ha colpito inaspettatamente, questo è vero, più che mai. Per mantenere le distanze luno dallaltro, siamo stati costretti a limitare tutte le nostre attività che non possono essere svolte online. Allinizio è stato scioccante e non eravamo preparati a tale cambiamento. Ma quando ci siamo abituati, ci siamo resi conto che il business online non è il futuro, lo è ORA.

Gli utenti ora si aspettano piattaforme di e-commerce affidabili, con unesperienza utente soddisfacente. Avendo in mente un gran numero di utenti, prodotti e concorrenza, è chiaro che questo è davvero difficile da ottenere. Quindi, durante la quarantena, abbiamo cercato di sfruttarlo al meglio e di trovare qualcosa che possa essere prezioso per i nostri clienti e che migliorerà sia leBusiness che il core business. Abbiamo deciso di concentrarci sulla creazione dei i sistemi di raccomandazione di nuova generazione.

Negli altri post del nostro blog, puoi trovare una spiegazione dettagliata dei sistemi di raccomandazione. In breve, i sistemi di raccomandazione sui siti di e-commerce suggeriscono nuovi articoli ai clienti raccogliendo le preferenze delle persone in base allanalisi del comportamento delle persone. I sistemi di raccomandazione possono portare numerosi vantaggi alle aziende che li utilizzano:

  1. gli utenti possono trovare prodotti desiderabili molto più velocemente
  2. gli utenti possono ottenere prodotti corrispondenti durante la procedura di pagamento del carrello
  3. impedire agli utenti di abbandonare i carrelli degli acquisti
  4. attivare le email in base alle interazioni online
  5. molto esperienza utente migliore , soprattutto con consigli personalizzati o anche intere pagine

I sistemi di raccomandazione di prossima generazione

Il settore delle-commerce si espanderà su scala più grande, e così sono i motori di raccomandazione. I sistemi di raccomandazione di prossima generazione dovrebbero includere le seguenti funzionalità:

  • consigli più personalizzati – i sistemi di raccomandazione diventerebbero più capaci di scavare in profondità nelle informazioni sui dati dei clienti che li aiuteranno a presentare loro consigli più pertinenti e incentrati sul cliente.
  • raggiungere i clienti attraverso più canali – i sistemi di raccomandazione in futuro sarebbero più in grado di raggiungere gli utenti attraverso vari mezzi come email, canali di social media, su un sito esterno widget per lo shopping, app per dispositivi mobili e così via
  • consigli in tempo reale – i sistemi di raccomandazione basati sul deep learning possono fornire un comportamento in tempo reale al modello. Mirano a presentare gli elementi giusti a un utente, nel momento in cui le è più utile.

Sapendo tutto ciò, abbiamo cercato di trovare larchitettura per un nuovo motore di raccomandazione che possa lavorare con i dati online, in tempo reale e questo può ottenere informazioni sugli utenti per consigli migliori e più personalizzati. Quellunicorno è il modello HRNN .

Raccomandatore basato su sessioni con HRNN (Hierarchical Recurrent Neural Reti)

Perché consigliere basato su sessioni? In molti sistemi online in cui vengono applicati i consigli, le interazioni tra un utente e il sistema sono organizzate in sessioni e quelle sessioni hanno un obiettivo: trovare un prodotto o un servizio. Se il modello è a conoscenza di quale sia lintento dellutente in una determinata sessione, le prestazioni dei consigli possono essere migliorate con tali informazioni e saranno più rilevanti. Ma anche la cronologia degli utenti è importante: se due utenti nelle sessioni precedenti hanno interessi diversi, dovrebbero ricevere consigli diversi nelle sessioni correnti, anche se le sessioni correnti sono le stesse. A tal fine, utilizziamo il modello HRNN .

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

In uno dei nostri prossimi post sul blog, scriveremo su HRNN in dettaglio, ma in generale lidea è che applichiamo questo algoritmo quando sono presenti identificatori utente e propaghiamo le informazioni dalla sessione utente precedente alla successiva, migliorando così laccuratezza della raccomandazione.

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

Nella foto, noi può vedere due livelli di reti neurali. Quello superiore è la rappresentazione a livello di sessione e nelle sue celle di memoria conserva le informazioni di una sola sessione. Tali informazioni (output) vengono immesse nella rete inferiore, che è la rappresentazione a livello di utente. Le celle di memoria della rete inferiore conservano le informazioni su tutte le sessioni per un utente e le propagano per ogni sessione successiva. Con questa architettura, abbiamo coperto i casi in cui abbiamo un identificatore utente, ma se non lo abbiamo, questa architettura si riduce a un semplice suggeritore basato sulla sessione e prende in considerazione solo i dati della sessione corrente. Di conseguenza, otteniamo i migliori N consigli per ogni sessione utente, ed è esattamente ciò che volevamo in primo luogo.

Se sei interessato a come questo è stato implementato nel caso di utilizzo reale e quali sono stati risultati, segui il nostro blog, saremo felici di condividere la nostra esperienza su questo nei nostri futuri post sul blog. Puoi contattarci per ottenere una spiegazione più approfondita o se hai unimpressione da condividere sul miglioramento e lo sviluppo di motori di raccomandazione della prossima generazione, saremmo più che felici di ascoltarla. 🙂

Altre fonti:

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/

Originariamente pubblicato su https://thingsolver.com il 26 ottobre 2020.