Innovatives Modell für bessere Artikelempfehlungen

Empfehlungssysteme sind Tools, die genutzt werden, um Nutzern basierend auf ihren Vorlieben und ihrem Verhalten Items vorzuschlagen. Sie spielen eine wichtige Rolle in Bereichen wie Online-Shopping, Lernplattformen und Streaming-Diensten. Eine gängige Aufgabe für diese Systeme ist die sitzungsbasierte Empfehlung, bei der das System vorhersagt, welches Item ein Nutzer als Nächstes wahrscheinlich auswählen wird, basierend auf seiner aktuellen Sitzung, die eine Reihe von Entscheidungen ist, die der Nutzer in kurzer Zeit getroffen hat.

Allerdings haben aktuelle Methoden, die auf Graph-Neuronalen-Netzen basieren, oft Schwierigkeiten damit, neue Items zu empfehlen, mit denen die Nutzer noch nicht interagiert haben. Stattdessen konzentrieren sich diese Systeme typischerweise darauf, Items vorzuschlagen, die den Nutzern bereits bekannt sind, was zu einem Mangel an Vielfalt führen und die Auswahlmöglichkeiten der Nutzer einschränken kann.

Dieser Artikel stellt einen neuen Ansatz vor, um dieses Problem anzugehen. Unser Ziel ist es, ein System zu schaffen, das effektiv neue Items basierend auf bestehenden Nutzersitzungen empfehlen kann und so die Grenzen traditioneller Methoden überwindet.

#Das Problem mit den aktuellen Empfehlungssystemen

Die meisten heute verwendeten Empfehlungssysteme verlassen sich auf die bisherigen Interaktionen eines Nutzers, um neue Items vorzuschlagen. Sie analysieren normalerweise eine Sitzung – die Sequenz von Items, mit denen ein Nutzer interagiert hat – und empfehlen dann Items aus dieser Sitzung. Das funktioniert gut für die Empfehlung bekannter Items, wird jedoch problematisch, wenn es darum geht, neue Optionen zu berücksichtigen, die der Nutzer noch nicht gesehen hat.

Wenn ein Nutzer nach einem Produkt oder einer Dienstleistung sucht, möchte er oft nicht auf alte Optionen beschränkt sein. Wenn zum Beispiel jemand häufig eine bestimmte Limonade kauft, könnte er daran interessiert sein, eine andere Marke auszuprobieren. Das Problem ist, dass bestehende Systeme neue Produkte nicht effektiv empfehlen können, da ihnen die Interaktionsdaten für diese Items fehlen, was zu einem langweiligen Nutzererlebnis führt, das oft als "Informationskokon" bezeichnet wird.

Die Herausforderung besteht darin, ein System zu entwickeln, das Empfehlungen für Items geben kann, die der Nutzer noch nie zuvor gesehen oder mit denen er interagiert hat. Hier kommt das Konzept der GNN-sitzungsbasierten neuen Item-Empfehlung (GSNIR) ins Spiel.

#GSNIR: Ein neuer Ansatz für Empfehlungen

GSNIR zielt darauf ab, vorherzusagen, mit welchen neuen Items ein Nutzer voraussichtlich interagieren wird, basierend auf seinen vorherigen Interaktionen. Das Modell berücksichtigt nicht nur die Items, mit denen der Nutzer interagiert hat, sondern nutzt auch zusätzliche Informationen über neue Items, um intelligente Empfehlungen abzugeben.

Um dies zu erreichen, schlagen wir ein Modell vor, das zwei Hauptkomponenten nutzt: das Verständnis der Nutzerabsicht und das Denken über neue Items. Dieser duale Ansatz hilft uns, Einblicke darüber zu gewinnen, für was der Nutzer interessiert sein könnte und wie neue Items so repräsentiert werden können, dass sie effektive Empfehlungen erlauben.

#Verständnis der Nutzerabsicht

Die Nutzerabsicht ist entscheidend für genaue Empfehlungen. Sie repräsentiert, an was ein Nutzer derzeit interessiert ist, basierend auf seinen jüngsten Entscheidungen. Unser Modell umfasst eine Methode, um diese Nutzerabsicht zu lernen, indem es zwei Aspekte berücksichtigt: die Items selbst und ihre breiteren Kategorien.

1. Aufmerksamkeitsmechanismus: Dieser Teil des Modells legt mehr Fokus auf die jüngsten Entscheidungen des Nutzers, die einen grösseren Einfluss auf seine aktuellen Vorlieben haben. Er analysiert die Items, mit denen der Nutzer kürzlich interagiert hat, um seine aktuellen Interessen einzuschätzen.

2. Datenverteilung: Wir betrachten auch, wie die Entscheidungen unter verschiedenen Kategorien verteilt sind. Wenn ein Nutzer zum Beispiel häufig Snacks kauft, könnte er eher geneigt sein, neue Snacks auszuprobieren, als sich für nicht verwandte Items wie Getränke zu interessieren. Durch die Kombination dieser Perspektiven können wir ein klareres Bild davon gewinnen, was der Nutzer bevorzugt.

#Denken über neue Items

Die zweite Komponente von GSNIR konzentriert sich darauf, wie neue Items repräsentiert werden. Da neue Items keine vorherigen Interaktionsdaten haben, können wir traditionelle Methoden nicht einsetzen, um Einblicke über sie zu gewinnen. Stattdessen betrachten wir die Attribute, die mit diesen neuen Items verbunden sind, um vernünftige Repräsentationen zu erstellen.

Durch die Verwendung der Attribute dieser neuen Items – wie Markennamen, Produkttypen und Preispunkte – können wir ein Embedding generieren, das eine numerische Repräsentation des Items ist. Dies ermöglicht es dem Modell, die Nutzerabsicht mit neuen Items zu vergleichen, selbst ohne vorherige Interaktionsdaten.

#Die Struktur des Modells

Das vorgeschlagene Modell, bekannt als NirGNN, basiert auf mehreren Schlüsselkategorien:

1. Sitzungsgraph-Konstruktion: Wir erstellen einen Sitzungsgraphen, in dem jedes Item, mit dem ein Nutzer interagiert, als Knoten dargestellt wird. Die Verbindungen zwischen diesen Knoten veranschaulichen die Reihenfolge der Interaktionen. Jede Kante in diesem Graphen wird gewichtet, basierend darauf, wie oft Items gemeinsam ausgewählt werden.

2. Nutzerabsichtsnetzwerke: Die duale Strategie zum Verständnis der Absicht umfasst zwei Netzwerke, die die Nutzerpräferenzen aus der Perspektive der jüngsten Interaktionen des Nutzers und der breiteren Kategorisierung der Items analysieren.

3. Neues Item-Denknetzwerk: Dieser Teil des Modells verwendet die Attribute neuer Items, um deren Embeddings zu generieren, was es dem Modell ermöglicht, potenzielle neue Items im Hinblick auf die Nutzerabsicht zu bewerten.

4. Empfehlungsbewertung: Schliesslich berechnet das Modell einen Punktestand für jedes neue Item, basierend darauf, wie gut es mit der bestimmten Nutzerabsicht übereinstimmt. Items mit höheren Punktzahlen werden empfohlen.

#Bewertung des Modells

Um die Effektivität von NirGNN zu bestätigen, führten wir Experimente mit zwei unterschiedlichen Datensätzen durch: einem von Amazon und einem anderen von Yelp. Beide Datensätze lieferten reichhaltige Interaktionsdaten, die es uns ermöglichten, zu bewerten, wie gut das Modell bei der Empfehlung neuer Items abschnitt.

#Experimentelle Einrichtung

In unseren Experimenten haben wir einen Teil der Nutzerdaten zurückgelegt, um einen Trainingssatz und einen Testsatz zu erstellen. Der Trainingssatz wurde verwendet, um das NirGNN-Modell zu trainieren, während der Testsatz dessen Leistung bewertete. Wir verglichen NirGNN mit mehreren bestehenden Basislinienmodellen, um einzuschätzen, wie gut es bei der Empfehlung neuer Items abschnitt.

#Ergebnisse und Einblicke

Die Bewertungsmetriken, die wir verwendeten, umfassten Präzision und den durchschnittlichen reziproken Rang (MRR). Präzision misst, wie viele der empfohlenen Items relevant waren, während MRR misst, wie hoch die relevanten Items auf der Liste der Empfehlungen eingestuft wurden.

Die Ergebnisse zeigten, dass NirGNN die traditionellen GNN-basierten Empfehlungstechniken in beiden Datensätzen deutlich übertraf. Das Modell erzielte höhere Präzisionswerte, was bedeutete, dass es besser darin war, Items vorzuschlagen, die den Nutzern tatsächlich gefielen.

#Wichtige Erkenntnisse

Die Experimente zeigten mehrere wichtige Erkenntnisse:

• Nutzerabsicht zählt: Die Fähigkeit, die Nutzerabsicht zu verstehen, verbesserte die Qualität der Empfehlungen erheblich.

• Attributnutzung: Die Nutzung von Item-Attributen, um über neue Items nachzudenken, ermöglichte es dem Modell, nützliche Empfehlungen zu generieren, selbst ohne vorherige Interaktionsdaten.

• Anwendbarkeit in der realen Welt: Eine Fallstudie mit einem kommerziellen Datensatz zeigte, dass NirGNN effektiv in realen Szenarien implementiert werden kann, wobei interpretierbare und umsetzbare Empfehlungen bereitgestellt werden.

#Fazit

Empfehlungssysteme spielen eine entscheidende Rolle bei der Verbesserung der Nutzererlebnisse auf verschiedenen Plattformen. Traditionelle Ansätze scheitern oft daran, neue Items vorzuschlagen, mit denen die Nutzer zuvor nicht interagiert haben, was zu einer eingeschränkten Auswahl an Empfehlungen führt.

Das vorgeschlagene NirGNN-Modell schliesst diese Lücke, indem es das Verständnis der Nutzerabsicht mit einer neuartigen Methode kombiniert, um über neue Items nachzudenken. Dieser duale Ansatz führt zu einer verbesserten Empfehlungsqualität und einem ansprechenderen Nutzererlebnis.

Durch rigorose Bewertungen an realen Datensätzen zeigte NirGNN eine überlegene Leistung im Vergleich zu bestehenden Modellen und deutet darauf hin, dass es eine vielversprechende Lösung für die GSNIR-Herausforderung darstellt. In Zukunft kann dieses Modell weiter verfeinert und für verschiedene Anwendungen angepasst werden, um sicherzustellen, dass die Nutzer Zugang zu einem breiteren Spektrum an Optionen haben, die ihren sich wandelnden Interessen entsprechen.