Avanzando en las recomendaciones de próxima cesta para la equidad y la diversidad

En los últimos años, las compras en línea se han vuelto una parte importante de nuestras vidas. La gente suele comprar varios artículos a la vez, creando lo que llamamos una "canasta". La Recomendación de Siguiente Canasta (NBR) se centra en predecir qué artículos comprarán los usuarios a continuación, basándose en sus compras pasadas. Tradicionalmente, el objetivo ha sido ofrecer recomendaciones precisas. Sin embargo, hay una creciente conciencia de que también deberíamos prestar atención a la equidad y la diversidad en las recomendaciones.

#Recomendación de Siguiente Canasta (NBR)

NBR es un tipo único de recomendación que busca ayudar a los usuarios a elegir su próximo conjunto de artículos. Este método analiza la secuencia de compras pasadas de un usuario para hacer sugerencias para futuras compras. Por ejemplo, si un comprador compra pasta con frecuencia, es probable que la vuelva a comprar y también podría estar interesado en artículos complementarios como salsa de pasta o queso.

#Enfoque Histórico

Antes, la investigación en NBR se concentraba principalmente en hacer recomendaciones precisas. La idea era simple: si un sistema podía sugerir lo que los clientes probablemente comprarían a continuación, sería exitoso. Sin embargo, este enfoque pasa por alto otros factores importantes como la equidad, que asegura que todos los artículos tengan una oportunidad justa de ser recomendados, y la diversidad, que garantiza que los usuarios vean una gama variada de productos.

#Avance en la Comprensión de las Necesidades del Usuario

Hallazgos recientes muestran que las recomendaciones pueden dividirse en dos tipos: recomendar artículos repetidos (artículos que el usuario ha comprado antes) y explorar nuevos artículos (artículos que el usuario aún no ha comprado). El desafío es que, aunque recomendar artículos repetidos suele ser más fácil y produce mayor precisión, recomendar artículos de exploración es más complejo y menos efectivo en términos de satisfacción del usuario.

#La Necesidad de un Enfoque Equilibrado

Este desequilibrio plantea una pregunta crucial: ¿cómo podemos lograr un equilibrio entre la precisión y otras métricas importantes como la equidad y la diversidad? Para abordar esto, es necesario un nuevo enfoque, uno que permita tanto una alta precisión como métricas mejoradas más allá de la precisión.

#El Marco TREx

Para abordar los problemas en NBR, proponemos un nuevo marco llamado TREx. Este marco separa las recomendaciones en dos partes: una para artículos repetidos y otra para artículos de exploración. Al manejar estas dos recomendaciones de manera diferente, podemos asegurarnos de que se consideren tanto la precisión como las métricas más allá de la precisión.

#Componentes de TREx

1. Módulo de Repetición: Esta parte se centra en predecir con precisión artículos que el usuario ha comprado anteriormente. Se basa en la frecuencia de compras y el interés del usuario para hacer predicciones informadas.

2. Módulo de Exploración: Este módulo tiene como objetivo introducir nuevos productos al usuario. Las estrategias para este módulo priorizan la equidad y la diversidad. Por ejemplo, podría recomendar artículos que son menos populares para evitar sesgos hacia artículos comprados con frecuencia.

3. Generación de Canasta: El conjunto final de artículos recomendados se crea combinando la salida de ambos módulos. El objetivo aquí es asegurarse de que la canasta tenga una mezcla de artículos repetidos y de exploración, equilibrando la familiaridad del usuario con nuevas opciones.

#Experimentos y Hallazgos

Para probar la efectividad del marco TREx, realizamos experimentos utilizando datos de dos conjuntos de datos de compras de supermercado bien conocidos.

#Rendimiento en Precisión

Nuestros experimentos mostraron que TREx pudo lograr un rendimiento de última generación en términos de precisión solo al centrarse en artículos repetidos. Esto se alinea con nuestra hipótesis de que recomendar artículos repetidos es una tarea más sencilla.

#Rendimiento en Métricas Más Allá de la Precisión

Cuando dirigimos nuestra atención hacia la equidad y la diversidad, TREx nuevamente entregó resultados impresionantes. Vimos mejoras en varias métricas de equidad, lo que significa que nuestras recomendaciones no solo eran precisas, sino que también distribuyeron la exposición de manera más equitativa entre los artículos menos populares. Este es un paso significativo hacia la creación de un sistema de recomendación más justo.

#Equilibrando la Precisión con Diversidad y Equidad

Nuestros hallazgos sugieren que, usando TREx, podemos ofrecer mejores recomendaciones que son tanto precisas como diversas. En términos más simples, es posible ayudar a los usuarios a descubrir nuevos artículos sin sacrificar la familiaridad de las compras repetidas.

#Reflexionando sobre Prácticas Actuales

Aunque nuestro marco muestra promesa, también resalta las limitaciones de los métodos de evaluación existentes en NBR. Muchos de estos métodos dependen en gran medida del rendimiento general, lo que puede ocultar la verdadera efectividad de un sistema de recomendación.

#Reevaluando el Éxito en las Recomendaciones

Al reflexionar sobre los resultados de nuestros experimentos, se hace evidente que simplemente lograr mejores puntuaciones generales no es suficiente. Necesitamos considerar qué tan bien se desempeña el sistema en diferentes tipos de artículos, tanto repetidos como de exploración. Un análisis detallado podría revelar problemas ocultos en los enfoques tradicionales.

#Conclusión

El marco TREx representa un paso significativo hacia adelante en NBR, permitiéndonos afinar las recomendaciones tanto para la precisión como para las métricas más allá de la precisión. Al entender que recomendar artículos familiares es diferente de introducir nuevos, podemos crear una mejor experiencia de compra para los usuarios.

#Direcciones Futuras

De cara al futuro, se necesita más investigación para explorar el equilibrio entre la precisión y las métricas más allá de la precisión en NBR. A medida que el comportamiento del consumidor continúa evolucionando, también deben hacerlo nuestros enfoques hacia NBR. El objetivo siempre debe ser crear un sistema de recomendación que ayude a los usuarios a encontrar lo que necesitan, mientras promueve la equidad y la diversidad en el mercado.

En resumen, el marco TREx no solo transforma cómo pensamos sobre las recomendaciones, sino que también allana el camino hacia una experiencia de compra más justa y diversa en el comercio en línea.