Covid 시간에 더 나은 권장 사항을 모델링하는 방법은 무엇입니까?

( Valentina Djordjevic) (2020 년 11 월 10 일)

필요 IT 부문은 끊임없이 변화하고 있습니다. 코로나 바이러스가 예기치 않게 우리를 덮친 후, 그 어느 때보 다 사실입니다. 서로 거리를 유지하기 위해 온라인에서 할 수없는 모든 활동을 제한해야했습니다. 처음에는 충격적이었고 우리는 그러한 변화에 대비하지 못했습니다. 하지만 익숙해 졌을 때 온라인 비즈니스가 미래가 아니라 지금이라는 것을 깨달았습니다.

이제 사용자는 만족스러운 사용자 경험과 함께 안정적인 전자 상거래 플랫폼을 기대합니다. 많은 수의 사용자, 제품 및 경쟁을 염두에두고 이것이 달성하기가 정말 어렵다는 것이 분명합니다. 그래서 검역 과정에서 우리는이를 최대한 활용하고 고객에게 가치 있고 eBusiness와 핵심 비즈니스를 모두 개선 할 수있는 무언가를 찾아 내려고했습니다. 우리는 차세대 추천 시스템을 만드는 데 집중하기로 결정했습니다.

다른 블로그 게시물에서 추천 시스템에 대한 자세한 설명을 찾을 수 있습니다. 간단히 말해 전자 상거래 웹 사이트의 추천 시스템은 사람들의 행동 분석을 기반으로 사람들의 선호도를 수집하여 고객에게 새로운 항목을 제안합니다. 추천 시스템은이를 사용하는 회사에 다양한 이점을 제공 할 수 있습니다.

  1. 사용자는 원하는 제품을 훨씬 더 빨리 찾을 수 있습니다. 더 빠르게
  2. 사용자는 장바구니 결제 과정에서 일치하는 제품 을 얻을 수 있습니다.
  3. 사용자가 장바구니를 포기하지 못하도록 방지
  4. 온라인 상호 작용을 기반으로 한 트리거 이메일
  5. 많은 더 나은 사용자 경험 , 특히 맞춤 추천 또는 전체 페이지 포함

차세대 추천 시스템

전자 상거래 산업은 더 큰 규모로 확장 될 것입니다. 추천 엔진도 마찬가지입니다. 차세대 추천 시스템에는 다음 기능이 포함될 것으로 예상됩니다.

  • 더 개인화 된 추천 — 추천 시스템은 고객의 데이터 인사이트를 더 깊이 파고들 수있게되어 관련성이 더 높은 고객 중심 추천을 제시하는 데 도움이 될 것입니다.
  • 여러 채널을 통해 고객에게 도달 — 향후 추천 시스템은 오프 사이트에서 이메일, 소셜 미디어 채널과 같은 다양한 매체를 통해 사용자에게 더 많이 도달 할 수 있습니다. 쇼핑 위젯, 모바일 앱 등.
  • 실시간 추천 — 딥 러닝 기반 추천 시스템은 모델에 실시간 동작을 제공합니다. 사용자에게 가장 유용한 시점에 올바른 항목을 제공하는 것을 목표로합니다.

이 모든 것을 알고있는 우리는 새로운 추천 엔진을위한 아키텍처를 찾으려고 노력했습니다. 실시간으로 온라인 데이터로 작업하고 사용자에 대한 인사이트를 확보하여 더 나은 맞춤 추천을받을 수 있습니다. 그“유니콘”은 HRNN 모델 입니다.

HRNN (계층 적 반복 신경 신경망)을 사용한 세션 기반 추천자 네트워크)

왜 세션 기반 추천자입니까? 권장 사항이 적용되는 많은 온라인 시스템에서 사용자와 시스템 간의 상호 작용은 세션으로 구성되며 이러한 세션에는 일부 제품 또는 서비스를 찾는 목표가 있습니다. 모델이 주어진 세션에서 사용자의 의도가 무엇인지 알고있는 경우 해당 정보를 사용하여 권장 사항의 성능을 개선 할 수 있으며 더 관련성이 있습니다. 그러나 사용자 기록도 중요합니다. 이전 세션의 두 사용자가 서로 다른 관심사를 가지고있는 경우 현재 세션이 동일하더라도 현재 세션에서 다른 추천을 받아야합니다. 이를 달성하기 위해 우리는 HRNN 모델 을 사용하고 있습니다.

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

하나로 다음 블로그 게시물에서 HRNN에 대해 자세히 설명하지만 일반적으로 사용자 식별자가있을 때이 알고리즘을 적용하고 이전 사용자 세션의 정보를 다음 사용자 세션으로 전파하여 추천 정확도를 향상시키는 것이 일반적입니다.

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

사진에서 두 계층의 신경망을 볼 수 있습니다. 상단은 세션 레벨 표현이며 메모리 셀에는 한 세션의 정보 만 유지됩니다. 이러한 정보 (출력)는 사용자 수준 표현 인 하위 네트워크에 입력됩니다. 하위 네트워크의 메모리 셀은 한 사용자의 모든 세션에 대한 정보를 유지하고 다음 세션마다 해당 정보를 전파합니다. 이 아키텍처에서는 사용자 식별자가있는 경우를 다뤘지만 그렇지 않은 경우이 아키텍처는 세션 기반 추천자에게만 적용되고 현재 세션 데이터 만 고려합니다. 결과적으로 모든 사용자 세션에 대해 상위 N 개의 권장 사항을 얻었으며 이것이 바로 우리가 원했던 것입니다.

실제 사용 사례에서 이것이 어떻게 구현되었고 어떤 것이 무엇인지에 관심이 있다면 결과, 블로그 팔로우, 향후 블로그 게시물에서 이에 대한 경험을 공유하게되어 기쁩니다. 좀 더 자세한 설명을 원하시면 저희에게 연락 하시거나, 차세대 추천 엔진의 개선 및 개발에 대해 공유하고 싶은 인상이 있으시면 기꺼이 들으실 수 있습니다. 🙂

기타 출처 :

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/

원래 게시 위치 https://thingsolver.com 2020 년 10 월 26 일