Como modelar recomendações melhores no horário da Covid?

( Valentina Djordjevic) (10 de novembro de 2020)

Necessidades em o setor de TI está em constante mudança. Depois que o Coronavírus nos atingiu inesperadamente, isso é verdade, mais do que nunca. Para manter distância uns dos outros, fomos forçados a limitar todas as nossas atividades que não podem ser feitas online. No início, isso foi chocante e não estávamos preparados para tal mudança. Mas, quando nos acostumamos, percebemos que o negócio online não é o futuro, ele é AGORA.

Os usuários agora esperam plataformas de comércio eletrônico confiáveis, com experiência de usuário satisfatória. Tendo em vista um grande número de usuários, produtos e concorrentes, fica claro que isso é muito difícil de conseguir. Portanto, durante a quarentena, tentamos tirar o máximo proveito dela e chegar a algo que possa ser valioso para nossos clientes e que melhore tanto o eBusiness quanto o core business. Decidimos nos concentrar na criação de os sistemas de recomendação de próxima geração.

Em nossas outras postagens do blog, você pode encontrar uma explicação detalhada dos sistemas de recomendação. Resumindo, os sistemas de recomendação em sites de comércio eletrônico sugerem novos itens aos clientes, coletando as preferências das pessoas com base na análise do comportamento das pessoas. Os sistemas de recomendação podem trazer vários benefícios para as empresas que os utilizam:

  1. os usuários podem encontrar produtos desejáveis ​​muito mais rápido
  2. os usuários podem obter produtos correspondentes durante o processo de check out do carrinho
  3. impedir que os usuários abandonem carrinhos de compras
  4. acionar e-mails com base em interações online
  5. muito melhor experiência do usuário , especialmente com recomendações personalizadas ou até páginas inteiras

Os sistemas de recomendação da próxima geração

A indústria de comércio eletrônico vai se expandir em uma escala maior, e também os mecanismos de recomendação. Espera-se que a próxima geração de sistemas de recomendação inclua os seguintes recursos:

  • recomendações mais personalizadas – os sistemas de recomendação se tornariam mais capazes de se aprofundar nos insights dos dados dos clientes, o que os ajudaria a apresentá-los com recomendações mais relevantes e centradas no cliente.
  • alcançar clientes por meio de vários canais – os sistemas de recomendação no futuro seriam mais capazes de alcançar os usuários em vários meios, como e-mails, canais de mídia social, em um local externo widgets de compras, aplicativos móveis, etc.
  • recomendações em tempo real – sistemas de recomendação baseados em aprendizagem profunda podem fornecer comportamento em tempo real para o modelo. Eles visam apresentar os itens certos a um usuário, no momento em que é mais útil para ele.

Sabendo de tudo isso, tentamos encontrar uma arquitetura para um novo motor de recomendação que possa trabalha com dados online, em tempo real e que pode obter insights sobre os usuários para recomendações melhores e mais personalizadas. Esse “unicórnio” é o modelo HRNN .

Recomendador baseado em sessão com HRNN (Hierarchical Recurrent Neural Redes)

Por que recomendador baseado em sessão? Em muitos sistemas online onde as recomendações são aplicadas, as interações entre um usuário e o sistema são organizadas em sessões e essas sessões têm um objetivo – encontrar algum produto ou serviço. Se o modelo estiver ciente de qual é a intenção do usuário em uma determinada sessão, o desempenho das recomendações pode ser melhorado com essas informações e elas serão mais relevantes. Mas o histórico do usuário também é importante – se dois usuários em sessões anteriores têm interesses diferentes, eles devem receber recomendações diferentes nas sessões atuais, mesmo se as sessões atuais forem iguais. Para conseguir isso, estamos usando o modelo HRNN .

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

Em um Em nossas próximas postagens de blog, vamos escrever sobre HRNN em detalhes, mas, em geral, a ideia é que apliquemos esse algoritmo quando identificadores de usuário estiverem presentes e propagemos informações da sessão de usuário anterior para a próxima, melhorando assim a precisão da recomendação.

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

Na imagem, nós pode ver duas camadas de redes neurais. O superior é a representação em nível de sessão e em suas células de memória mantém informações de apenas uma sessão. Essas informações (saída) são inseridas na rede inferior, que é a representação em nível de usuário. As células de memória da rede inferior mantêm informações sobre todas as sessões de um usuário e propagam essas informações para cada sessão seguinte. Com essa arquitetura, cobrimos casos em que temos um identificador de usuário, mas se não tivermos, essa arquitetura se resume a apenas um recomendador baseado em sessão e leva em consideração apenas os dados da sessão atual. Como resultado, recebemos as principais N recomendações para cada sessão de usuário, e é exatamente o que queríamos em primeiro lugar.

Se você estiver interessado em como isso foi implementado no caso de uso real e quais foram resultados, siga nosso blog, teremos o maior prazer em compartilhar nossa experiência sobre isso em nossos próximos posts. Você pode entrar em contato conosco para obter uma explicação mais aprofundada ou se tiver uma impressão para compartilhar sobre como melhorar e desenvolver motores de recomendação da próxima geração – ficaríamos mais do que felizes em ouvir isso. 🙂

Mais fontes:

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/

Originalmente publicado em https://thingsolver.com em 26 de outubro de 2020.