Covid時間でより良い推奨をモデル化する方法?

Valentina Djordjevic)(2020年11月10日)

必要ITセクターは常に変化しています。コロナウイルスが予期せず私たちを襲った後、これはかつてないほど真実です。お互いの距離を保つために、オンラインで実行できないすべてのアクティビティを制限することを余儀なくされました。最初、これは衝撃的で、私たちはそのような変化に備えていませんでした。しかし、それに慣れたとき、オンラインビジネスは未来ではなく、今であることに気づきました。

ユーザーは、満足のいくユーザーエクスペリエンスを備えた信頼性の高いeコマースプラットフォームを期待しています。多数のユーザー、製品、および競争を念頭に置いて、これを達成するのは本当に難しいことは明らかです。そのため、検疫中に、それを最大限に活用し、クライアントにとって価値があり、eビジネスとコアビジネスの両方を改善するものを考え出すように努めました。 次世代レコメンダーシステムの作成に重点を置くことにしました。

他のブログ投稿では、レコメンダーシステムの詳細な説明を見つけることができます。つまり、eコマースWebサイトのレコメンダーシステムは、人々の行動の分析に基づいて人々の好みを収集することにより、顧客に新しいアイテムを提案します。レコメンダーシステムは、それを使用している企業に多くのメリットをもたらすことができます。

  1. ユーザーは望ましい製品をはるかに速く見つけることができますより速く
  2. ユーザーは、カートのチェックアウトプロセス中に一致する製品を取得できます
  3. ユーザーが放棄ショッピングカートを使用できないようにする
  4. オンラインインタラクションに基づいてメールをトリガー
  5. はるかにユーザーエクスペリエンスを向上、特にパーソナライズされたレコメンデーションまたはページ全体でさえ

次世代のレコメンダーシステム

eコマース業界はより大規模に拡大します。レコメンデーションエンジンもそうです。次世代のレコメンダーシステムには、次の機能が含まれることが期待されています。

  • よりパーソナライズされたレコメンデーション —レコメンダーシステムは、顧客のデータインサイトをより深く掘り下げることができるようになり、より関連性の高い、顧客中心のレコメンデーションを提示するのに役立ちます。
  • 複数のチャネルを介して顧客にリーチする —将来のレコメンダーシステムは、オフサイトで、メール、ソーシャルメディアチャネルなどのさまざまなメディアを介してユーザーにリーチできるようになります。ショッピングウィジェット、モバイルアプリなど。
  • リアルタイムのレコメンデーション —ディープラーニングに基づくレコメンダーシステムモデルにリアルタイムの動作を提供します。彼らは、ユーザーにとって最も役立つときに、適切なアイテムをユーザーに提示することを目指しています。

これらすべてを知って、私たちは次のことができる新しいレコメンダーエンジンのアーキテクチャを見つけようとしました。オンラインデータをリアルタイムで操作し、ユーザーに関する洞察を得て、より適切でパーソナライズされた推奨事項を得ることができます。その「ユニコーン」は、 HRNNモデルです。

HRNN(Hierarchical Recurrent Neural)を使用したセッションベースのレコメンダーネットワーク)

なぜセッションベースのレコメンダーなのか?推奨事項が適用される多くのオンラインシステムでは、ユーザーとシステム間の対話はセッションに編成され、それらのセッションには、製品またはサービスを見つけるという目標があります。モデルが特定のセッションでのユーザーの意図を認識している場合、その情報を使用して推奨のパフォーマンスを向上させることができ、それらの関連性が高まります。ただし、ユーザー履歴も重要です。前のセッションの2人のユーザーの関心が異なる場合、現在のセッションが同じであっても、現在のセッションで異なる推奨事項を取得する必要があります。これを実現するために、 HRNNモデルを使用しています。

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

1つに次のブログ投稿では、HRNNについて詳しく説明しますが、一般的には、ユーザーIDが存在する場合にこのアルゴリズムを適用し、前のユーザーセッションから次のユーザーセッションに情報を伝播して、推奨の精度を向上させるという考え方です。

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

写真では、ニューラルネットワークの2つの層を見ることができます。上の方はセッションレベルの表現であり、そのメモリセルには1つのセッションの情報のみが保持されます。これらの情報(出力)は、ユーザーレベルの表現である下位ネットワークに入力されます。下位ネットワークのメモリセルは、1人のユーザーのすべてのセッションに関する情報を保持し、次のセッションごとにそれらの情報を伝達します。このアーキテクチャでは、ユーザーIDがある場合について説明しましたが、ない場合、このアーキテクチャはセッションベースのレコメンダーのみになり、現在のセッションデータのみを考慮します。その結果、すべてのユーザーセッションで上位Nの推奨事項が得られます。これは、そもそも私たちが望んでいたことです。

これが実際のユースケースでどのように実装されたか、そして結果、私たちのブログに従ってください、私たちは私たちの将来のブログ投稿でこれに関する私たちの経験を共有させていただきます。詳細な説明が必要な場合、または次世代のレコメンダーエンジンの改善と開発について共有したい印象がある場合は、お問い合わせください。喜んでお聞きします。 🙂

その他のソース:

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/

https://thingsolver.com 、2020年10月26日。