Mejorando las recomendaciones con interacciones de usuario multimodales

Los sistemas de recomendación son herramientas que ayudan a la gente a encontrar cosas que podrían gustarles, como productos, películas o música. Estos sistemas a menudo se basan en las acciones de los usuarios, como valoraciones o compras, para aprender qué prefieren. Sin embargo, muchas personas interactúan con estos sistemas de diferentes maneras, como visitando un sitio web o haciendo una llamada telefónica. Esta variedad en los métodos de interacción es lo que llamamos "interacciones de usuario multimodales".

El desafío surge cuando tratamos de usar estas interacciones para recomendar cosas, especialmente cuando algunos usuarios no utilizan todos los canales disponibles. Por ejemplo, algunos solo pueden hacer compras a través de una llamada telefónica, mientras que otros pueden usar solo el sitio web. Esto significa que puede faltar información valiosa de los datos que recopilamos.

Para abordar este problema, hemos creado un conjunto de datos que incluye información sobre las interacciones de los usuarios a través de múltiples canales. Este conjunto de datos puede ayudarnos a mejorar la forma en que hacemos Recomendaciones, especialmente en áreas que no han recibido mucha atención antes.

#El Conjunto de Datos

El conjunto de datos que desarrollamos proviene de un escenario del mundo real, específicamente de una empresa que vende productos de seguros. Los productos de seguros pueden ser complejos, y no todos los clientes eligen interactuar con la empresa de la misma manera. Nuestro conjunto de datos incluye:

1. Sesiones de Usuario del sitio web de la empresa donde los clientes pueden comprar productos de seguros.
2. Conversaciones transcritas entre usuarios y agentes de seguros por teléfono.
3. Acciones de compra realizadas por los usuarios.

Al reunir esta información, abrimos nuevas oportunidades para entender cómo los usuarios eligen productos de seguros y cómo podemos recomendarles mejor.

#Por Qué Importan las Interacciones Multimodales

La mayoría de los estudios anteriores se han centrado en cómo se pueden representar los elementos en diferentes formas, como texto, audio o imágenes. Sin embargo, estos estudios a menudo suponen que toda la información está disponible durante el entrenamiento y la realización de recomendaciones. Esta suposición no es cierta en nuestro caso, ya que no todos los usuarios interactúan a través de todos los canales posibles.

Esta brecha en la investigación destaca la importancia de estudiar cómo combinar diferentes tipos de interacciones de usuario de una manera significativa. Además de los clics en un sitio web, también incluimos conversaciones que pueden revelar directamente los gustos y preferencias de los usuarios.

El dominio de los seguros es un área crítica para esta investigación porque las recomendaciones aquí pueden afectar significativamente la vida de las personas. A diferencia de recomendar una película o un libro, las decisiones sobre seguros tienen impactos a largo plazo.

#Desafíos con las Interacciones de Usuario Multimodales

Uno de los principales desafíos que enfrentamos al tratar con interacciones de usuario multimodales es que no todos los usuarios interactúan de la misma manera. Algunos usuarios solo pueden llamar a la compañía de seguros, mientras que otros pueden usar solo el sitio web. Cuando intentamos hacer recomendaciones, necesitamos manejar la información faltante de aquellos que no utilizan todos los canales.

Además, los métodos existentes que han desarrollado los investigadores están diseñados principalmente para situaciones en las que toda la información está presente. Nuestro desafío es crear métodos que puedan trabajar con los datos incompletos que ocurren naturalmente cuando los usuarios interactúan con diferentes modalidades.

#Contribuciones de Nuestro Estudio

Nuestro trabajo aporta varias contribuciones importantes a esta área:

1. Conjunto de Datos del Mundo Real: Creamos y lanzamos un conjunto de datos que refleja interacciones de usuario multimodales específicamente para recomendar productos de seguros.

2. Métodos de Benchmarking: Examinamos varios enfoques para combinar diferentes tipos de interacciones de usuario para mejores recomendaciones.

3. Análisis Detallado: Nuestra investigación proporciona un análisis detallado de los resultados y arroja luz sobre los desafíos presentados por las interacciones de usuario multimodales.

Al hacer nuestro conjunto de datos y métodos disponibles públicamente, esperamos fomentar más investigaciones en esta área.

#Enfoques Existentes

Aunque este estudio es nuevo, se basa en algunos métodos existentes para sistemas de recomendación. La mayoría de los trabajos anteriores se han centrado en cómo representar los elementos en varios formatos o en cómo manejar la retroalimentación de los usuarios de diferentes tipos de interacciones, como ver o comprar. Sin embargo, no ha habido mucho enfoque en combinar interacciones de usuario que ocurren de diferentes maneras.

Además, muchos métodos existentes requieren información completa en todo momento. Esto es poco realista en escenarios del mundo real como el nuestro, donde la falta de datos es común.

#Nuestras Preguntas de Investigación

Para guiar nuestro estudio, planteamos dos preguntas de investigación principales:

1. ¿Cómo podemos representar mejor las interacciones de usuario multimodales para que se puedan combinar de manera efectiva?
2. ¿Existen relaciones esenciales entre los diferentes tipos de interacciones de usuario, y puede un tipo de interacción ayudarnos a aprender de otro?

Al responder a estas preguntas, podemos proporcionar información sobre cómo se pueden utilizar diferentes tipos de interacciones para mejorar los sistemas de recomendación.

#Resultados

Nuestros experimentos revelaron que las interacciones de usuario multimodales contienen información única que puede complementarse bien. En nuestras pruebas, los artículos recomendados mejoraron significativamente cuando combinamos información de sesiones web y conversaciones telefónicas.

#Interacciones de Usuario

Al observar los datos, descubrimos que no todos los usuarios tuvieron conversaciones o sesiones web antes de hacer una compra. Una parte considerable de los usuarios solo tuvo un tipo de interacción. Esta falta de datos presentó un desafío para nuestro análisis, pero también destacó la necesidad de nuestra investigación.

#Ideas Clave

• Información Suplementaria: Una idea de nuestra investigación es que un tipo de interacción puede proporcionar información valiosa para mejorar el aprendizaje de otro tipo.

• Rendimiento del Modelo: Nuestros métodos propuestos mostraron un rendimiento mucho mejor en comparación con modelos tradicionales. Esto sugiere que combinar diferentes tipos de interacciones puede llevar a mejores recomendaciones.

#Trabajo Relacionado

Varios estudios previos han examinado áreas similares, pero la mayoría de ellos se concentran en cómo representar artículos con diferentes características en lugar de centrarse en cómo los usuarios interactúan con esos artículos. Además, los conjuntos de datos existentes a menudo carecen de la incompletud natural que ocurre en el mundo real.

#Metodología

Desarrollamos varios métodos para estudiar y modelar efectivamente los diferentes tipos de interacciones de usuario. Nuestro enfoque implicó mapear las interacciones de los usuarios a un espacio de representación común. Esto permite que el modelo funcione de manera efectiva incluso cuando falta alguna información.

#Modelos Propuestos

Propusimos tres tipos de modelos:

1. Modelo de Palabras Clave: Este modelo representa las conversaciones utilizando palabras clave extraídas del texto. Ayuda a capturar las ideas clave dentro de la Conversación que son relevantes para las recomendaciones.

2. Modelo de Características Latentes: Este enfoque utiliza incrustaciones de texto para representar conversaciones y las combina con codificaciones de acciones de las sesiones web. El modelo aprende cómo conectar ambos tipos de información.

3. Modelo de Representación Relativa: Este modelo compara representaciones latentes de conversaciones y sesiones web, permitiendo una comprensión más flexible de las interacciones de usuario.

Al usar estos modelos, buscamos abordar los problemas de modalidades faltantes mientras aún brindamos recomendaciones útiles.

#Configuración Experimental

Para la evaluación, dividimos nuestros datos en conjuntos de entrenamiento y prueba. Entrenamos varios modelos utilizando los datos de entrenamiento y luego evaluamos su rendimiento en función de qué tan bien podían predecir qué artículos comprarían los usuarios a continuación. Usamos métricas como tasa de aciertos y precisión promedio para evaluar la precisión de nuestras recomendaciones.

#Conclusiones

Los resultados experimentales mostraron una mejora notable en las recomendaciones al usar nuestros modelos propuestos en comparación con modelos base más simples. Todos los modelos superaron el enfoque de recomendación "popular" simple, que solo sugiere artículos en función de los recuentos de compras anteriores.

#Hallazgos Específicos

• Rendimiento en Diferentes Grupos de Usuarios: Nuestros modelos se desempeñaron de manera diferente al observar a usuarios que solo interactuaron a través de conversaciones, solo a través de sesiones web o una combinación de ambos. Esto indica la importancia de cómo se adaptan las recomendaciones al comportamiento del usuario.

• Las Interacciones Importan: Las diferentes modalidades proporcionan ideas únicas, lo que lleva a mejores recomendaciones cuando se combinan adecuadamente.

#Importancia del Número de Eventos

También realizamos análisis sobre cómo el número de interacciones pasadas afecta el rendimiento del modelo. En general, tener más eventos previos llevó a un mejor rendimiento, aunque este efecto varió según el tipo de interacción (conversación vs. sesión web).

#Orden de Eventos

Otro aspecto que exploramos fue el orden de los eventos. Mezclamos el orden de las interacciones para ver cómo impactaba las recomendaciones. Nuestros hallazgos indicaron que la secuencia de interacciones sí importa, y los modelos que utilizan el orden temporal de los eventos se desempeñaron mejor.

#Visualización de los Datos

Usamos una técnica llamada t-SNE para visualizar cómo se representan los diferentes tipos de interacciones de usuario en nuestros modelos. La visualización mostró que las conversaciones y las sesiones web se agrupan de manera distintiva, lo que sugiere que contienen detalles variados sobre las preferencias y comportamientos de los usuarios.

#Conclusión

En conclusión, nuestro estudio proporciona una contribución significativa al campo de los sistemas de recomendación al centrarse en las interacciones de usuario multimodales. Al desarrollar un conjunto de datos del mundo real y proponer nuevos métodos para manejar los desafíos presentados por la falta de información, allanamos el camino para recomendaciones mejoradas, especialmente en áreas de alto riesgo como los seguros.

Nuestra investigación destaca el valor de incorporar varios tipos de interacciones de usuario para crear recomendaciones personalizadas. Como siguiente paso, planeamos explorar más sobre cómo el contexto impacta las recomendaciones, teniendo en cuenta factores como el tiempo y conversaciones específicas de los usuarios.

Al fomentar más investigaciones en esta área, esperamos contribuir a sistemas de recomendación más efectivos e informativos que se adapten a las diversas formas en que los usuarios interactúan con los servicios.