Hur modellerar man bättre rekommendationer på Covid-tid?

( Valentina Djordjevic) (10 nov 2020)

Behöver IT-sektorn förändras ständigt. Efter att Coronavirus slog oss oväntat är det sant mer än någonsin. För att hålla avstånd från varandra var vi tvungna att begränsa alla våra aktiviteter som inte kan göras online. Först var detta chockerande och vi var inte beredda på en sådan förändring. Men när vi blev vana vid det har vi insett att online-affärer inte är framtiden, det är NU.

Användare förväntar sig nu tillförlitliga e-handelsplattformar med tillfredsställande användarupplevelse. Med tanke på ett stort antal användare, produkter och konkurrens är det uppenbart att detta är svårt att uppnå. Så under karantänen försökte vi få ut det mesta och komma på något som kan vara värdefullt för våra kunder och som kommer att förbättra både eBusiness och kärnverksamheten. Vi bestämde oss för att fokusera på att skapa nästa generations rekommendatorsystem.

I våra andra blogginlägg kan du hitta en detaljerad förklaring av rekommendatorsystem. Kort sagt, rekommendatorsystem på e-handelswebbplatser föreslår nya artiklar för kunder genom att samla in preferenser för människor baserat på analys av människors beteende. Rekommendatorsystem kan ge många fördelar för företag som använder dem:

  1. användare kan hitta önskvärda produkter mycket snabbare
  2. användare kan få matchande produkter under utcheckningen av kundvagnen
  3. hindra användare från att överge kundvagnar
  4. utlösa e-postmeddelanden baserat på online-interaktioner
  5. mycket bättre användarupplevelse , särskilt med personliga rekommendationer eller till och med hela sidor

Nästa generations rekommendatorsystem

E-handelsbranschen kommer att expandera i större skala, och så är rekommendationsmotorer. Nästa generations rekommendatorsystem förväntas innehålla följande funktioner:

  • mer anpassade rekommendationer – rekommendatorsystem blir mer kapabla att gräva djupt in i kundernas datainblick som hjälper dem att presentera dem med mer relevanta kundcentrerade rekommendationer.
  • nå kunder via flera kanaler – rekommendatorsystemen i framtiden skulle vara mer kapabla att nå ut till användarna över olika medier som e-post, sociala mediekanaler, på en off-site shoppingwidgets, mobilappar etc.
  • rekommendationer i realtid – rekommendatorsystem baserade på djupinlärning kan tillhandahålla modellen i realtid. De syftar till att presentera rätt objekt för en användare, när det är mest användbart för henne.

Med tanke på allt detta försökte vi hitta arkitektur för en ny rekommendatormotor som kan arbeta med onlinedata i realtid och som kan få insikter om användare för bättre och mer personliga rekommendationer. Den ”enhörningen” är HRNN-modellen .

Sessionsbaserad rekommendator med HRNN (hierarkisk återkommande neural Nätverk)

Varför sessionbaserad rekommendator? I många onlinesystem där rekommendationer tillämpas organiseras interaktioner mellan en användare och systemet i sessioner och dessa sessioner har ett mål – att hitta någon produkt eller tjänst. Om modellen är medveten om vad användaren har för avsikt i en given session kan rekommendationerna förbättras med den informationen och de kommer att vara mer relevanta. Men användarhistoriken är också viktig – om två användare i tidigare sessioner har olika intressen, bör de få olika rekommendationer i nuvarande sessioner, även om nuvarande sessioner är desamma. För att uppnå det använder vi HRNN-modellen .

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

I en av våra nästa blogginlägg kommer vi att skriva om HRNN i detalj, men i allmänhet är tanken att vi använder denna algoritm när användaridentifierare finns och sprider information från föregående användarsession till nästa, vilket förbättrar rekommendationsnoggrannheten.

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

På bilden visar vi kan se två lager av neurala nätverk. Den övre är representation på sessionnivå och i dess minnesceller håller den information om bara en session. Dessa informationer (utdata) matas in i det nedre nätverket, vilket är representationen på användarnivå. Minnesceller i det lägre nätverket håller information om alla sessioner för en användare och sprider informationen för varje nästa session. Med den här arkitekturen har vi täckt fall när vi har en användaridentifierare, men om vi inte gör det, kommer den här arkitekturen ner till bara sessionbaserad rekommendator och tar hänsyn till just aktuella sessionsdata. Som ett resultat får vi de bästa N-rekommendationerna för varje användarsession, och det är precis vad vi önskade i första hand.

Om du är intresserad av hur detta implementerades i det verkliga användningsfallet och vad var resultat, följ vår blogg, vi delar gärna vår erfarenhet av detta i våra framtida blogginlägg. Du kan kontakta oss för att få en djupare förklaring, eller om du har intryck att dela med dig av att förbättra och utveckla rekommendationsmotorer från nästa generation – vi skulle gärna höra det. 🙂

Fler källor:

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/

Ursprungligen publicerad på https://thingsolver.com den 26 oktober 2020.