Descifrando las Intenciones de los Usuarios en el E-commerce

Entender lo que quieren los compradores en línea puede ser complicado. Imagina ir a una tienda donde la gente agarra cosas pero nunca dice por qué; te quedas adivinando sus intenciones. Ese es el reto que enfrentan las plataformas en línea a diario. Los usuarios tienen motivaciones detrás de sus acciones, y esas motivaciones no siempre son claras. Ahí es donde entran en juego los grafos de conocimiento de intenciones. Su objetivo es conectar lo que los usuarios están haciendo con lo que realmente quieren.

#¿Qué es un Grafo de Conocimiento de Intenciones?

Imagina un mapa, pero en vez de mostrar calles y ciudades, muestra las intenciones de los usuarios y las conexiones entre ellas. Un grafo de conocimiento de intenciones organiza información sobre las acciones de un usuario y sus deseos asociados. Por ejemplo, si alguien busca disfraces de Halloween, este grafo puede mostrar que también podría estar interesado en decoraciones o suministros para fiestas.

#¿Por Qué Necesitamos Estos Grafos?

Cuando un cliente navega por productos o busca en línea, deja un rastro de datos. Sin embargo, los sistemas existentes a menudo se centran demasiado en los artículos en sí mismos en lugar de entender las razones subyacentes de las acciones de los usuarios. Es como enfocarse en la portada de un libro sin importar la historia dentro. Al modelar las intenciones de los usuarios, las empresas pueden mejorar las Recomendaciones de productos y hacer que la experiencia de compra sea mucho más fluida.

#El Marco

Para abordar este desafío, se ha desarrollado un marco para crear grafos de conocimiento de intenciones a partir de los comportamientos de los usuarios. Funciona en tres pasos sencillos:

1. Creación de Intenciones: Aquí, echamos un vistazo a lo que los usuarios han visto o comprado y proponemos posibles intenciones detrás de sus acciones. Piensa en ello como leer entre líneas.

2. Conceptualización: Este paso consiste en agrupar intenciones relacionadas en conceptos más amplios. Por ejemplo, la intención de encontrar una silla de oficina podría conectarse a suministros de oficina en general.

3. Clasificación de relaciones: Finalmente, creamos conexiones entre estas intenciones basadas en el sentido común. Esto ayuda a establecer relaciones entre lo que la gente quiere y sus acciones.

#Construyendo el Grafo

Usando un conjunto de datos de Amazon, se construyó un grafo enorme que contiene 351 millones de conexiones. ¡Este grafo no solo es grande; es inteligente! Captura varios tipos de conexiones, como:

• Relaciones Asincrónicas: Estas muestran intenciones que ocurren en diferentes momentos, como pensar en comprar un regalo de Navidad antes de la compra real.

• Relaciones Sincrónicas: Estas ilustran intenciones que suceden simultáneamente, como buscar zapatos mientras se busca un vestido.

• Relaciones Causales: Este tipo conecta intenciones basadas en causa y efecto, como querer cocinar la cena porque compraste ingredientes antes.

#Aplicaciones Prácticas

Ahora, podrías preguntarte, "¿Cómo me afecta esto?" Bueno, hay muchas aplicaciones:

• Recomendaciones de Productos: Con una comprensión más clara de las intenciones de los usuarios, las plataformas pueden sugerir productos que se alineen más con lo que estás buscando. En vez de sugerencias aleatorias, el sistema puede hacer conjeturas más fundamentadas.

• Recomendaciones Basadas en la Sesión: Para los usuarios que visitan una tienda en línea por primera vez, el sistema puede centrarse en lo que podrían querer según su sesión de navegación.

#El Desafío con las Intenciones del Usuario

La parte complicada viene al intentar conectar las intenciones del usuario. Por ejemplo, si alguien busca una caminadora, también podría necesitar zapatos para correr o una botella de agua. Modelar estas conexiones es clave para ayudar a las plataformas a entender el comportamiento del usuario y hacer mejores sugerencias.

#Conocimiento de sentido común

Para hacer conexiones significativas, dependemos del conocimiento de sentido común. Esto incluye una comprensión general sobre cómo están relacionadas las cosas. Por ejemplo, si alguien está comprando disfraces de Halloween, también podría querer dulces o decoraciones. Este tipo de conocimiento ayuda al sistema a predecir en qué podrían estar interesados los usuarios, incluso si no lo han mostrado directamente.

#Usando Modelos de Lenguaje Grandes

Para mejorar cómo generamos las intenciones de los usuarios, podemos aprovechar el poder de los modelos de lenguaje grandes (LLMs). Estos modelos avanzados pueden procesar grandes cantidades de datos de usuarios para crear intenciones detalladas y variadas. Es como tener un asistente súper inteligente que puede dar ideas sobre lo que los usuarios podrían querer según su comportamiento pasado.

#Evaluando el Grafo

Para asegurarnos de que el grafo de conocimiento de intenciones sea efectivo, ha pasado por varias evaluaciones. Las personas involucradas en el proceso de prueba revisaron qué tan bien el grafo captura las intenciones del usuario y si hace predicciones precisas. Los resultados han mostrado que el grafo rinde mejor que los sistemas anteriores.

#Evaluaciones Intrínsecas y Extrínsecas

Cuando hablamos de evaluaciones, hay dos tipos principales:

1. Evaluación Intrínseca: Se trata de la calidad interna del grafo, como qué tan bien identifica las intenciones del usuario.

2. Evaluación Extrínseca: Se enfoca en qué tan bien funciona el grafo en tareas del mundo real como recomendaciones de productos.

Ambas formas de prueba han mostrado que el grafo de conocimiento de intenciones proporciona mejoras significativas sobre los métodos anteriores.

#Abordando Limitaciones

Aunque el grafo de conocimiento de intenciones ha mostrado promesas, no está exento de limitaciones. Aquí hay algunas:

• Dependencia del Conjunto de Datos: El modelo actual se basa en el conjunto de datos de Amazon M2. Su éxito puede no traducirse directamente a otras plataformas o conjuntos de datos.

• Soporte de Idiomas: Actualmente, está centrado principalmente en inglés. Ampliar a otros idiomas podría mejorar su alcance global.

• Tipos de Relaciones: Aunque el grafo captura varias relaciones, podría beneficiarse de incorporar tipos más diversos de relaciones para crear una comprensión aún más completa.

#Consideraciones Éticas

Al construir y usar estos grafos, las consideraciones éticas son cruciales. Los datos utilizados están anonimizados, lo que significa que no contienen información personal sobre los usuarios. Esto ayuda a cumplir con las regulaciones de privacidad mientras se permite mejorar la experiencia del usuario.

#Conclusión

En resumen, los grafos de conocimiento de intenciones de los usuarios están cambiando la forma en que las plataformas de compras en línea entienden el comportamiento del usuario. Al centrarse en las conexiones entre lo que los usuarios hacen y lo que quieren, estos grafos brindan una base para mejores recomendaciones y experiencias de compra más intuitivas.

Así que la próxima vez que navegues en línea, recuerda que hay un sistema inteligente detrás de escena, trabajando para descubrir lo que realmente quieres, ¡incluso cuando quizás tú mismo no lo sepas!