Mejorando las recomendaciones con datos de intención del usuario

Los Sistemas de Recomendación ayudan a los usuarios a encontrar cosas que les gustan entre un montón de opciones. Estos sistemas son fundamentales en muchas plataformas online como sitios de compras y servicios de noticias. Funcionan entendiendo las preferencias de los usuarios basándose en sus comportamientos pasados, como clics o compras. Sin embargo, los usuarios suelen tener diferentes tipos de intenciones cuando interactúan con los artículos. Algunas de estas intenciones son estables, como siempre querer cosas de alta calidad, mientras que otras cambian, como querer un vestido de verano en lugar de un abrigo de invierno.

Entender estas intenciones puede ser complicado porque no siempre están claras. En escenarios de búsqueda, los usuarios expresan sus intenciones de manera más explícita a través de consultas de búsqueda. Por ejemplo, si alguien busca "zapatos de correr baratos", muestra su intención de encontrar calzado deportivo asequible. Esta información explícita puede ayudar a mejorar los sistemas de recomendación. Al combinar datos de búsqueda y recomendaciones, podemos entender mejor las intenciones de los usuarios y mejorar las recomendaciones que reciben.

#Desafíos en los Sistemas de Recomendación

Los sistemas de recomendación se basan principalmente en las interacciones pasadas de los usuarios para predecir qué podrían gustarles a continuación. Por ejemplo, los modelos tradicionales asumen que si dos usuarios les gustaron artículos similares en el pasado, también les gustarán artículos similares en el futuro. Aunque esto funciona hasta cierto punto, tiene limitaciones. Los usuarios pueden tener intenciones ocultas diferentes que los modelos no capturan.

Por ejemplo, dos usuarios pueden disfrutar de la pasta, pero tener diferentes preferencias sobre el tipo de restaurante. Uno podría preferir sabores picantes, mientras que el otro prefiere sabores dulces. Si el sistema solo observa sus interacciones sin entender estos matices, podría recomendar los artículos incorrectos a cada usuario.

Además, incluso dentro de un solo usuario, sus intenciones pueden cambiar con el tiempo. Una persona puede buscar una camiseta en verano y una chaqueta de plumas en invierno. Si el sistema no reconoce estas demandas cambiantes, podría no proporcionar recomendaciones relevantes.

#El Papel de los Datos de Búsqueda

Los datos de búsqueda ofrecen una oportunidad única para mejorar los sistemas de recomendación. Cuando los usuarios buscan algo, a menudo dan información clara sobre lo que quieren. Por ejemplo, si alguien escribe "pizza cerca de mí", es evidente que está buscando opciones de pizza. Estos datos pueden servir de guía para los sistemas de recomendación, ayudando a identificar las intenciones cambiantes de los usuarios.

El desafío radica en utilizar efectivamente estos datos de búsqueda explícitos para mejorar la comprensión de las intenciones implícitas en los sistemas de recomendación. Sin conexiones claras entre lo que los usuarios buscan y lo que hacen clic en recomendaciones, los modelos pueden tener problemas para ofrecer sugerencias precisas.

#Introduciendo la Traducción de Doble Intención Unificada

Para abordar estos problemas, proponemos un nuevo modelo llamado Traducción de Doble Intención Unificada para Búsqueda y Recomendación. Este modelo tiene como objetivo entender mejor tanto las intenciones inherentes como las de demanda, permitiendo recomendaciones más precisas.

#Entendiendo las Doble Intenciones

El primer paso es reconocer que los usuarios tienen dos tipos de intenciones: inherentes y de demanda. Las intenciones inherentes son estables y reflejan las preferencias del usuario, mientras que las intenciones de demanda cambian según contextos o necesidades específicas.

Por ejemplo, un usuario puede tener la intención inherente de comprar artículos asequibles, pero tener la intención de demanda de encontrar una chaqueta impermeable durante una tormenta. Nuestro modelo busca capturar ambas intenciones y cómo influyen en las Interacciones del usuario con los artículos.

#El Generador de Intenciones de Demanda

Para generar efectivamente intenciones de demanda, usamos datos de búsqueda como fuente de supervisión. Cuando los usuarios buscan artículos, dan información sobre sus intenciones de demanda. Analizando estas consultas, podemos entender mejor lo que los usuarios quieren en un momento dado.

El generador de intenciones de demanda utiliza consultas de búsqueda históricas para inferir intenciones de demanda para recomendaciones. Así, cuando un usuario busca un artículo específico, el sistema puede predecir que su intención podría inclinarse hacia opciones asequibles o un estilo particular.

#Propagación de Traducción de Doble Intención

Una vez que hemos establecido una forma de generar intenciones de demanda, el siguiente paso es relacionar estas intenciones con los artículos con los que interactúan los usuarios. Aquí es donde entra en juego la traducción de doble intención.

Nuestro enfoque implica crear un mecanismo que traduzca las intenciones del usuario en representaciones de artículo. Por ejemplo, si un usuario muestra un deseo por zapatos de correr asequibles, el sistema traducirá este deseo en recomendaciones de artículos que coincidan tanto en precio como en tipo de calzado que se alinee con sus preferencias inherentes.

#Aprendiendo de Datos de Interacción

Para hacer que nuestro modelo sea efectivo, necesitamos aprovechar los datos de interacción disponibles en los escenarios de búsqueda y recomendación. Al crear un modelo conjunto que considere ambos tipos de datos, podemos mejorar la precisión de nuestras predicciones.

#Estructura del Modelo

El modelo UDITSR se construye con dos componentes clave: el generador de intenciones de demanda y el módulo de traducción de doble intención. Estos componentes trabajan juntos para entender las intenciones del usuario y crear recomendaciones personalizadas.

1. Generador de Intención de Demanda:

   • Utiliza consultas de búsqueda para generar la intención de demanda de un usuario.
   • Ayuda a mapear lo que un usuario está buscando en el contexto de sus interacciones pasadas.

2. Módulo de Traducción de Doble Intención:

   • Conecta las intenciones inherentes con las intenciones de demanda y las representaciones de artículos.
   • Asegura que las recomendaciones hechas estén alineadas con lo que realmente quieren los usuarios.

#Configuración Experimental

Para evaluar qué tan bien funciona UDITSR, realizamos pruebas usando conjuntos de datos del mundo real. Estos conjuntos de datos consistieron en interacciones de usuarios de una plataforma de comida para llevar importante. Tuvimos diferentes grupos de usuarios y artículos, y recopilamos interacciones tanto de búsqueda como de recomendación.

#Recolección de Datos

Los conjuntos de datos incluyeron miles de interacciones a lo largo de varios días. Cada pieza de datos contenía IDs de usuarios, IDs de artículos y, en el caso de interacciones de búsqueda, consultas de búsqueda. Dividimos los datos en conjuntos de entrenamiento, validación y prueba para evaluar el rendimiento del modelo de manera precisa.

#Comparación con Modelos Existentes

Comparamos UDITSR con otros modelos conocidos en el campo. Esto incluyó modelos basados en gráficos y sistemas de recomendación tradicionales. El objetivo era ver cuánto mejor podía funcionar nuestro modelo dado su enfoque único para aprender las intenciones de los usuarios.

#Resultados

Los resultados mostraron que UDITSR mejoró significativamente la calidad de las recomendaciones en general. Cuando se comparó con modelos existentes, UDITSR superó a estos en tareas tanto de búsqueda como de recomendación.

#Rendimiento en Búsqueda y Recomendación

Nuestro modelo demostró una mejora promedio de varios puntos porcentuales en métricas clave como las Tasas de Clic (CTR) y el Valor Bruto de Mercancías (GMV). Esto indica que los usuarios no solo estaban viendo recomendaciones más relevantes, sino que también estaban interactuando con ellas de manera más efectiva.

#Importancia del Generador de Intenciones de Demanda

A través de estudios de ablación, encontramos que el generador de intenciones de demanda fue crucial para mejorar la precisión de las recomendaciones. Al aprovechar datos de búsqueda explícitos, nuestro modelo pudo aprender intenciones de demanda de manera más efectiva que los enfoques tradicionales.

#Impacto de la Traducción de Intenciones

También descubrimos que el mecanismo de traducción de doble intención desempeñó un papel vital en conectar las intenciones del usuario con las interacciones de los artículos. Esto mejoró la calidad general de las recomendaciones al asegurarse de que se alinearan más estrechamente con lo que los usuarios realmente buscaban.

#Visualizaciones e Insights

Para entender mejor cómo el modelo aprendió las intenciones del usuario, visualizamos las intenciones aprendidas. Los gráficos resultantes mostraron claras distribuciones de artículos y conocimientos sobre qué tan bien el modelo capturó las relaciones entre intenciones inherentes y de demanda.

En las visualizaciones, notamos que las intenciones traducidas aprendidas por UDITSR estaban mucho más alineadas con los artículos con los que los usuarios interactuaron. Esta fuerte alineación es lo que contribuyó al éxito general del modelo.

#Pruebas Online

Después de extensas pruebas offline, desplegamos UDITSR en un entorno real durante un mes en una prueba A/B online. El objetivo principal era ver qué tan bien funcionaba el modelo en un entorno operativo, donde el comportamiento del usuario podría diferir de las condiciones de prueba controladas.

#Observaciones del Despliegue Online

El despliegue online confirmó nuestras conclusiones de los resultados experimentales. La aplicación de UDITSR llevó a mejoras medibles en métricas de rendimiento clave, como un aumento en GMV y CTR.

#Conclusión

En resumen, nuestro trabajo ha demostrado que un enfoque unificado para entender las intenciones duales en búsqueda y recomendaciones lleva a una mejor interacción y satisfacción del usuario. Al utilizar efectivamente los datos de búsqueda, podemos cerrar la brecha entre las intenciones implícitas y explícitas de los usuarios.

El modelo UDITSR refleja un avance significativo en los sistemas de recomendación, proporcionando un marco para capturar las intenciones del usuario de manera más precisa. A medida que el panorama de las interacciones online sigue evolucionando, este modelo ofrece valiosas ideas sobre cómo podemos mejorar la relevancia y efectividad de las recomendaciones.

A través de nuestra investigación y desarrollo continuo, esperamos mejorar aún más las capacidades de los sistemas de recomendación, asegurando que los usuarios sigan recibiendo sugerencias relevantes y personalizadas que satisfagan sus necesidades.