Jak modelować lepsze rekomendacje w czasie Covid?

( Valentina Djordjevic) (10 listopada 2020 r.)

Potrzebne w sektor IT ciągle się zmienia. Po tym, jak koronawirus uderzył nas niespodziewanie, jest to prawda bardziej niż kiedykolwiek. Aby zachować dystans od siebie, byliśmy zmuszeni ograniczyć wszystkie nasze działania, których nie można wykonywać online. Na początku było to szokujące i nie byliśmy przygotowani na taką zmianę. Ale kiedy przyzwyczailiśmy się do tego, zdaliśmy sobie sprawę, że biznes online nie jest przyszłością, jest TERAZ.

Użytkownicy oczekują teraz niezawodnych platform eCommerce z satysfakcjonującym doświadczeniem użytkownika. Mając na uwadze dużą liczbę użytkowników, produkty i konkurencję, widać, że jest to naprawdę trudne do osiągnięcia. Tak więc podczas kwarantanny staraliśmy się jak najlepiej ją wykorzystać i wymyślić coś, co może być wartościowe dla naszych klientów i co usprawni zarówno e-biznes, jak i podstawową działalność. Postanowiliśmy skupić się na utworzeniu systemu rekomendacji nowej generacji.

W innych naszych postach na naszym blogu można znaleźć szczegółowe wyjaśnienie systemów rekomendujących. Krótko mówiąc, systemy rekomendujące w serwisach e-commerce sugerują klientom nowe produkty, zbierając preferencje ludzi na podstawie analizy ich zachowań. Systemy rekomendujące mogą przynieść wiele korzyści firmom, które z nich korzystają:

  1. użytkownicy mogą znaleźć pożądane produkty znacznie szybciej
  2. użytkownicy mogą uzyskać pasujące produkty podczas procesu płatności w koszyku
  3. uniemożliwić użytkownikom porzucanie koszyków na zakupy
  4. wyzwalaj e-maile na podstawie interakcji online
  5. dużo lepsze wrażenia użytkownika , zwłaszcza ze spersonalizowanymi rekomendacjami lub nawet całymi stronami

Systemy rekomendacji nowej generacji

Branża e-commerce będzie się rozwijać na większą skalę, podobnie jak silniki rekomendacji. Oczekuje się, że następna generacja systemów rekomendacji będzie zawierać następujące funkcje:

  • bardziej spersonalizowane rekomendacje – systemy rekomendujące stałyby się bardziej zdolne do zagłębiania się w szczegółowe informacje o klientach, co pomoże im w przedstawianiu im bardziej trafnych, ukierunkowanych na klienta zaleceń.
  • docieraj do klientów wieloma kanałami – systemy rekomendujące w przyszłości będą w stanie lepiej docierać do użytkowników za pośrednictwem różnych mediów, takich jak e-maile, kanały mediów społecznościowych, poza witryną widżety zakupowe, aplikacje mobilne itp.
  • rekomendacje w czasie rzeczywistym – systemy rekomendujące oparte na głębokim uczeniu mogą zapewniają zachowanie modelu w czasie rzeczywistym. Mają na celu przedstawienie użytkownikowi właściwych elementów w czasie, w którym jest to dla niego najbardziej przydatne.

Wiedząc to wszystko, staraliśmy się znaleźć architekturę dla nowego silnika rekomendującego, który może pracować z danymi online w czasie rzeczywistym, dzięki czemu można uzyskać wgląd w użytkowników i uzyskać lepsze i bardziej spersonalizowane rekomendacje. Ten „jednorożec” to model HRNN .

Sesja rekomendująca z HRNN (Hierarchical Recurrent Neural Sieci)

Dlaczego polecający oparty na sesji? W wielu systemach online, w których stosowane są rekomendacje, interakcje między użytkownikiem a systemem są zorganizowane w sesje, których celem jest znalezienie jakiegoś produktu lub usługi. Jeśli model jest świadomy tego, jaki jest zamiar użytkownika w danej sesji, działanie zaleceń można poprawić dzięki tym informacjom i będą one bardziej odpowiednie. Ale historia użytkownika jest również ważna – jeśli dwóch użytkowników w poprzednich sesjach ma różne zainteresowania, powinni otrzymać różne rekomendacje w bieżących sesjach, nawet jeśli bieżące sesje są takie same. Aby to osiągnąć, używamy modelu HRNN .

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

W jednym z naszych następnych postów na blogu opiszemy szczegółowo HRNN, ale generalnie chodzi o to, że stosujemy ten algorytm, gdy identyfikatory użytkowników są obecne, i propagujemy informacje z poprzedniej sesji użytkownika do następnej, poprawiając w ten sposób dokładność rekomendacji.

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

Na zdjęciu widzi dwie warstwy sieci neuronowych. Górna jest reprezentacją na poziomie sesji, aw swoich komórkach pamięci przechowuje informacje tylko o jednej sesji. Te informacje (dane wyjściowe) są wprowadzane do dolnej sieci, która jest reprezentacją na poziomie użytkownika. Komórki pamięci niższej sieci przechowują informacje o wszystkich sesjach dla jednego użytkownika i propagują te informacje dla każdej następnej sesji. W tej architekturze omówiliśmy przypadki, w których mamy identyfikator użytkownika, ale jeśli go nie mamy, ta architektura sprowadza się tylko do rekomendacji opartej na sesji i bierze pod uwagę tylko bieżące dane sesji. W rezultacie otrzymujemy N najlepszych rekomendacji dla każdej sesji użytkownika i właśnie tego chcieliśmy w pierwszej kolejności.

Jeśli interesuje Cię, jak zostało to zaimplementowane w rzeczywistym przypadku użycia i jakie były wyniki, śledź naszego bloga, z przyjemnością podzielimy się naszym doświadczeniem w tym zakresie w naszych przyszłych postach na blogu. Możesz skontaktować się z nami, aby uzyskać głębsze wyjaśnienie, lub jeśli masz wrażenie, że chcesz podzielić się z nami ulepszaniem i rozwojem silników rekomendujących następnej generacji – z przyjemnością to usłyszymy. 🙂

Więcej źródeł:

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/

Pierwotnie opublikowane pod adresem https://thingsolver.com 26 października 2020 r.