Hoe maak je betere aanbevelingen in Covid-tijd?

( Valentina Djordjevic) (10 nov.2020)

Vereist in de IT-sector verandert voortdurend. Nadat het Coronavirus ons onverwachts trof, is dit meer dan ooit waar. Om afstand van elkaar te houden, waren we genoodzaakt al onze activiteiten te beperken die niet online kunnen. In het begin was dit schokkend en we waren niet voorbereid op een dergelijke verandering. Maar toen we eraan gewend waren, realiseerden we ons dat online zakendoen niet de toekomst is, maar NU.

Gebruikers verwachten nu betrouwbare e-commerceplatforms met een bevredigende gebruikerservaring. Gezien een groot aantal gebruikers, producten en concurrentie, is het duidelijk dat dit echt moeilijk te bereiken is. Dus hebben we tijdens quarantaine geprobeerd er het beste van te maken en iets te bedenken dat waardevol kan zijn voor onze klanten en dat zowel de eBusiness als de kernactiviteiten zal verbeteren. We besloten ons te concentreren op het maken van de aanbevelingssystemen van de volgende generatie.

In onze andere blogposts vind je een gedetailleerde uitleg van aanbevelingssystemen. Kortom, aanbevelingssystemen op e-commercewebsites suggereren nieuwe items aan klanten door voorkeuren van mensen te verzamelen op basis van de analyse van het gedrag van mensen. Aanbevelingssystemen kunnen tal van voordelen opleveren voor bedrijven die ze gebruiken:

  1. gebruikers kunnen gewenste producten veel sneller vinden
  2. gebruikers kunnen overeenkomende producten krijgen tijdens het afrekenen van het winkelwagentje
  3. voorkomen dat gebruikers winkelwagentjes verlaten
  4. activeer e-mails gebaseerd op online interacties
  5. veel betere gebruikerservaring , vooral met gepersonaliseerde aanbevelingen of zelfs hele paginas

De volgende generatie aanbevelingssystemen

De e-commerce-industrie zal zich op grotere schaal uitbreiden, en dat geldt ook voor aanbevelingsmotoren. De volgende generatie aanbevelingssystemen zullen naar verwachting de volgende functies bevatten:

  • meer gepersonaliseerde aanbevelingen – aanbevelingssystemen zouden beter in staat worden om diep in de data-inzichten van klanten te graven, wat hen zal helpen om hen relevantere, klantgerichte aanbevelingen te presenteren.
  • klanten bereiken via meerdere kanalen – de aanbevelingssystemen in de toekomst zouden beter in staat zijn om de gebruikers te bereiken via verschillende media, zoals e-mails, sociale mediakanalen, op een externe site shopping widgets, mobiele apps, etc.
  • real-time aanbevelingen – aanbevelingssystemen gebaseerd op deep learning kunnen bieden real-time gedrag aan het model. Ze zijn bedoeld om de juiste items aan een gebruiker te presenteren, op het moment dat het voor haar het nuttigst is.

Dit alles wetende, hebben we geprobeerd architectuur te vinden voor een nieuwe aanbevelingsengine die kan werken met online data, in realtime en die inzichten over gebruikers kunnen krijgen voor betere en persoonlijkere aanbevelingen. Die “eenhoorn” is het HRNN-model .

Sessie-gebaseerde aanbeveling met HRNN (Hierarchical Recurrent Neural Networks)

Waarom op sessie gebaseerde aanbeveler? In veel online systemen waar aanbevelingen worden toegepast, worden interacties tussen een gebruiker en het systeem georganiseerd in sessies en die sessies hebben een doel: een product of dienst vinden. Als het model weet wat de bedoeling is van de gebruiker in een bepaalde sessie, kunnen de prestaties van aanbevelingen met die informatie worden verbeterd en zullen ze relevanter zijn. Maar gebruikersgeschiedenis is ook belangrijk – als twee gebruikers in eerdere sessies verschillende interesses hebben, zouden ze verschillende aanbevelingen moeten krijgen in huidige sessies, zelfs als de huidige sessies hetzelfde zijn. Om dat te bereiken, gebruiken we het HRNN-model .

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

In één van onze volgende blogposts zullen we in detail over HRNN schrijven, maar in het algemeen is het de bedoeling dat we dit algoritme toepassen wanneer gebruikers-IDs aanwezig zijn en informatie van de vorige gebruikerssessie doorgeven aan de volgende, waardoor de nauwkeurigheid van de aanbeveling wordt verbeterd.

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

In de afbeelding kan twee lagen neurale netwerken zien. De bovenste is weergave op sessieniveau en in zijn geheugencellen bewaart het informatie van slechts één sessie. Die informatie (output) wordt ingevoerd in het lagere netwerk, de weergave op gebruikersniveau. Geheugencellen van een lager netwerk houden informatie bij over alle sessies voor één gebruiker en verspreiden die informatie voor elke volgende sessie. Met deze architectuur hebben we gevallen behandeld waarin we een gebruikers-ID hebben, maar als we dat niet doen, komt deze architectuur neer op slechts een sessie-gebaseerde aanbeveler en houdt alleen rekening met de huidige sessiegegevens. Het resultaat is dat we de beste N-aanbevelingen krijgen voor elke gebruikerssessie, en dat is precies wat we in de eerste plaats wilden.

Als je geïnteresseerd bent in hoe dit in het echte gebruik werd geïmplementeerd en wat de resultaten, volg onze blog, we zullen onze ervaring hierover graag delen in onze toekomstige blogposts. U kunt contact met ons opnemen voor een diepere uitleg, of als u een indruk heeft om te delen over het verbeteren en ontwikkelen van aanbevelingsengines van de volgende generatie – we horen het graag. 🙂

Meer bronnen:

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/art Artificial-intelligence/the-next-generation-recommender-systems/

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

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

Oorspronkelijk gepubliceerd op https://thingsolver.com op 26 oktober 2020.