Equilibrando Precisión y Diversidad en las Recomendaciones
Un marco para mejorar las recomendaciones a los usuarios combinando lo familiar con opciones nuevas.
― 6 minilectura
Tabla de contenidos
Los Sistemas de Recomendación se han vuelto importantes en muchas industrias como el comercio electrónico y las plataformas de contenido en línea. Ayudan a los usuarios a encontrar productos o contenido que probablemente les guste basándose en su comportamiento pasado. Sin embargo, centrarse solo en recomendar artículos populares puede crear una situación en la que los usuarios ven los mismos tipos de productos repetidamente. Esto puede limitar sus experiencias y dificultar que encuentren artículos nuevos e interesantes que les puedan gustar.
Para abordar este problema, es importante incluir Diversidad en las recomendaciones. Esto significa no solo mirar lo que los usuarios han disfrutado antes, sino también considerar nuevas categorías que podrían gustarles. Este documento presenta un sistema que equilibra estas dos necesidades: apegarse a lo que les gusta a los usuarios mientras también les presenta nuevas opciones.
El Problema
Cuando los sistemas de recomendación se enfocan demasiado en la Precisión, pueden crear lo que se conoce como una "cámara de eco." En este escenario, un usuario solo puede ver recomendaciones que son muy similares a sus interacciones pasadas. Por ejemplo, si alguien generalmente compra zapatos deportivos, puede que solo vea anuncios de diferentes marcas de zapatos deportivos en lugar de ser mostrado zapatos casuales, botas o sandalias.
Esto puede llevar a la insatisfacción del usuario porque pueden sentir que se están perdiendo otros productos emocionantes. Para mejorar la experiencia del usuario, es necesario combinar el concepto de precisión con la idea de diversidad.
Diversidad en las Recomendaciones
La diversidad en las recomendaciones se puede ver de dos formas principales. La primera es la diversidad explícita del usuario, que significa cuán variados son los artículos con los que un usuario ha interactuado en el pasado. Por ejemplo, si un usuario generalmente compra de unas pocas categorías, como electrónica y ropa, eso muestra sus intereses explícitos.
El segundo tipo es la diversidad de no interacción usuario-artículo. Esto observa nuevas categorías con las que un usuario aún no ha interactuado. Este aspecto es valioso ya que ayuda a los usuarios a descubrir nuevos intereses que pueden no haber considerado. Al centrarse en ambos tipos de diversidad, un sistema de recomendación puede ofrecer una mejor mezcla de artículos familiares y nuevos a los usuarios.
Marco Propuesto
Para abordar los problemas de las cámaras de eco y la experiencia limitada del usuario, se ha sugerido un nuevo sistema llamado Marco de Diversidad de Categoría Controlable (CCDF). Este marco tiene dos etapas clave: Coincidencia Usuario-Categoría y Coincidencia de Artículos Constrained.
Coincidencia Usuario-Categoría
En la primera etapa, Coincidencia Usuario-Categoría, el objetivo es encontrar las categorías que mejor coincidan con los intereses de un usuario. Al predecir qué categorías es probable que un usuario explote a continuación, el sistema puede seleccionar esas categorías para recomendar artículos.
Por ejemplo, si un usuario ha comprado previamente electrónica y ropa, el sistema puede priorizar estas categorías mientras también busca categorías relacionadas, como electrodomésticos o accesorios, para ampliar la experiencia de compra del usuario.
Coincidencia de Artículos Constrained
La segunda etapa, Coincidencia de Artículos Constrained, utiliza las categorías identificadas en la primera etapa para seleccionar artículos específicos. Aquí, el sistema recupera artículos que encajan dentro de las categorías elegidas. Este proceso asegura que los artículos presentados al usuario sean relevantes para sus preferencias mientras aún les presenta nuevas opciones.
Por ejemplo, si el usuario ha seleccionado electrónica, podrían mostrarse no solo smartphones y tablets, sino también artículos como dispositivos inteligentes para el hogar o tecnología vestible. Este método aumenta las posibilidades de diversificar la experiencia de compra del usuario mientras mantiene las recomendaciones relevantes.
Importancia del Equilibrio
El equilibrio entre precisión y diversidad es crucial. Un sistema de recomendación que se enfoca únicamente en la precisión puede descuidar presentar opciones diversas a los usuarios, haciéndolos perder productos que disfrutarían. Por otro lado, un sistema que intenta mostrar demasiadas opciones no relacionadas puede confundir a los usuarios o hacer que se sientan abrumados.
El marco CCDF propuesto aborda esto al permitir el control sobre cuán diversas pueden ser las recomendaciones, haciendo posible ajustar según las preferencias y comportamientos del usuario. Al hacerlo, los usuarios pueden encontrar tanto artículos que aman como nuevos que podrían descubrir.
Validación Experimental
Para validar la efectividad del marco CCDF, se realizaron experimentos en conjuntos de datos del mundo real. Los resultados mostraron que este enfoque superó significativamente a los métodos tradicionales en cuanto a proporcionar recomendaciones diversas. Los usuarios estaban más propensos a interactuar con nuevos tipos de artículos y categorías que no habían considerado previamente.
Hallazgos
- Mejora en la Experiencia del Usuario: Los usuarios informaron niveles de satisfacción más altos cuando recibieron recomendaciones que incluían nuevas categorías junto con sus intereses habituales.
- Mayores Tasas de Conversión: Más usuarios acabaron comprando artículos de una gama más amplia de categorías, lo que indica que estaban más comprometidos con las recomendaciones.
- Efectos Complementarios: Los resultados también indicaron que a medida que los usuarios encontraban nuevos artículos a través de recomendaciones, se sentían motivados a refinar sus búsquedas, lo que llevó a un mejor compromiso general con la plataforma.
Direcciones Futuras
De cara al futuro, todavía hay oportunidades para mejorar. Una área de enfoque será mejorar la precisión del modelo predictivo utilizado en la etapa de Coincidencia Usuario-Categoría. Al comprender mejor las preferencias del usuario, el sistema puede proporcionar recomendaciones aún más personalizadas.
Otra dirección futura implica refinar la forma en que se presentan los artículos a los usuarios según categorías específicas para hacerlos más atractivos. Al integrar los intereses del usuario con la visibilidad del artículo, podría ser posible aumentar aún más las posibilidades de compromiso del usuario.
Conclusión
Crear un equilibrio entre precisión y diversidad en los sistemas de recomendación es vital para mejorar la experiencia del usuario. El Marco de Diversidad de Categoría Controlable (CCDF) proporciona un enfoque estructurado para abordar este desafío al combinar las preferencias del usuario con nuevas oportunidades de exploración. Los resultados de experimentos del mundo real respaldan la efectividad de este marco, sugiriendo que los usuarios pueden encontrar mayor satisfacción y compromiso a través de recomendaciones diversas.
A medida que el campo continúa evolucionando, las mejoras continuas en los modelos y métodos subyacentes mejorarán aún más el impacto de los sistemas de recomendación, llevando finalmente a experiencias de usuario más ricas.
Título: On Practical Diversified Recommendation with Controllable Category Diversity Framework
Resumen: Recommender systems have made significant strides in various industries, primarily driven by extensive efforts to enhance recommendation accuracy. However, this pursuit of accuracy has inadvertently given rise to echo chamber/filter bubble effects. Especially in industry, it could impair user's experiences and prevent user from accessing a wider range of items. One of the solutions is to take diversity into account. However, most of existing works focus on user's explicit preferences, while rarely exploring user's non-interaction preferences. These neglected non-interaction preferences are especially important for broadening user's interests in alleviating echo chamber/filter bubble effects.Therefore, in this paper, we first define diversity as two distinct definitions, i.e., user-explicit diversity (U-diversity) and user-item non-interaction diversity (N-diversity) based on user historical behaviors. Then, we propose a succinct and effective method, named as Controllable Category Diversity Framework (CCDF) to achieve both high U-diversity and N-diversity simultaneously.Specifically, CCDF consists of two stages, User-Category Matching and Constrained Item Matching. The User-Category Matching utilizes the DeepU2C model and a combined loss to capture user's preferences in categories, and then selects the top-$K$ categories with a controllable parameter $K$.These top-$K$ categories will be used as trigger information in Constrained Item Matching. Offline experimental results show that our proposed DeepU2C outperforms state-of-the-art diversity-oriented methods, especially on N-diversity task. The whole framework is validated in a real-world production environment by conducting online A/B testing.
Autores: Tao Zhang, Luwei Yang, Zhibo Xiao, Wen Jiang, Wei Ning
Última actualización: 2024-02-06 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2402.03801
Fuente PDF: https://arxiv.org/pdf/2402.03801
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.