Mejorando los sistemas de recomendación para una mejor experiencia del usuario

En los servicios en línea, los sistemas de recomendación son súper importantes. Ayudan a los usuarios a encontrar contenido que les podría gustar, como videos, artículos o productos. Pero crear un buen sistema de recomendación no es fácil. Estos sistemas suelen pasar por tres pasos principales: recolectar elementos para recomendar, ordenar esos elementos según su relevancia y ajustar las recomendaciones antes de mostrarlas a los usuarios.

Un desafío común es asegurar la diversidad en las recomendaciones. Hay dos tipos de diversidad a considerar: la diversidad a nivel individual, que mira qué tan diferentes son las recomendaciones para cada usuario, y la diversidad a nivel de sistema, que se enfoca en qué tan variadas son las recomendaciones entre diferentes usuarios. Ambos tipos son importantes, ya que mejoran la experiencia del usuario y ayudan a evitar la repetición de elementos similares.

#El Problema

Muchos sistemas de recomendación dependen mucho de los elementos populares. Esto puede llevar a que todos los usuarios vean el mismo conjunto de artículos populares, reduciendo la diversidad de las recomendaciones. Cuando muchos usuarios interactúan con los mismos elementos populares, los elementos nuevos o menos conocidos suelen pasar desapercibidos. Esto es un problema importante porque puede hacer que los usuarios se sientan menos interesados en explorar contenido nuevo.

En el último paso de crear recomendaciones, se usa una técnica llamada Proceso de Puntos Determinantales (DPP) para aumentar la diversidad a nivel individual. Sin embargo, el DPP depende de la información disponible sobre los elementos, que puede no ser siempre correcta. En algunos casos, las características de los elementos pueden ser engañosas, lo que lleva a malas recomendaciones.

La mayoría de la investigación existente sobre este tema tiende a enfocarse en la diversidad a nivel individual o a nivel de sistema sin considerar cómo se influyen mutuamente. Nos parece que ambos tipos de diversidad deberían abordarse juntos para encontrar una solución más efectiva.

#Nuestro Enfoque

Proponemos una nueva forma de mejorar la diversidad en las recomendaciones. Nuestro método tiene en cuenta tanto la diversidad a nivel individual como a nivel de sistema en un solo marco. Usando un enfoque basado en gráficos, podemos manejar y explorar mejor las conexiones entre los elementos.

Primero, recolectamos elementos que a los usuarios les podrían gustar basándonos en sus comportamientos pasados. Reunimos datos sobre cómo los usuarios interactúan con varios elementos y construimos una representación gráfica de esas conexiones. Esto nos permite ver qué elementos son similares o están relacionados según las interacciones de los usuarios.

En el proceso de recomendación, recuperamos una amplia gama de elementos de este gráfico, con el objetivo de incluir tanto elementos populares como aquellos menos conocidos. Luego clasificamos estos elementos, asegurándonos de que los usuarios vean una selección diversa en lugar de un conjunto reducido de elementos similares. Este proceso de clasificación considera los diversos intereses de los usuarios y sus preferencias cambiantes con el tiempo.

#Personalización en Tiempo Real

Un aspecto clave de nuestro método implica la personalización en tiempo real. Observamos que las preferencias de los usuarios por la diversidad pueden cambiar con frecuencia. Por ejemplo, un usuario podría querer ver elementos más variados un día, pero preferir elementos similares al siguiente.

Para abordar esto, rastreamos los comportamientos recientes de los usuarios y ajustamos las recomendaciones en consecuencia. Usando un enfoque de ventana deslizante, analizamos las interacciones de los usuarios durante un período específico. Esto nos ayuda a entender qué tipos de elementos prefieren actualmente y ajustar las recomendaciones para que coincidan con esas preferencias.

También queremos mantener un equilibrio entre relevancia y diversidad. En el proceso de clasificación, empleamos estrategias para garantizar que los usuarios vean los elementos más relevantes mientras también fomentamos la exploración de opciones diversas.

#Implementación en WeChat

Nuestro método propuesto se ha implementado en WeChat, una plataforma de mensajería social muy utilizada en China. Dentro de WeChat, los usuarios reciben recomendaciones de contenido a través de una función llamada Historias Destacadas, donde se presentan varios artículos y videos.

Al aplicar nuestro marco, WeChat puede atender a millones de usuarios diariamente mientras entrega contenido más diverso y atractivo. La implementación es eficiente, apoyándose en los métodos basados en gráficos que hemos desarrollado. Esto permite que las actualizaciones se realicen en tiempo real sin depender de recursos computacionales pesados.

#Evaluación de Resultados

Para evaluar la efectividad de nuestro enfoque, realizamos experimentos dentro de WeChat. Compararemos nuestro método con sistemas tradicionales que se enfocan solo en la relevancia. Encontramos que nuestro método mejoró significativamente la diversidad en las recomendaciones.

A corto plazo, los usuarios interactuaron de manera más positiva con los elementos recomendados, lo que llevó a un aumento en vistas y participación. Con el tiempo, observamos un crecimiento en la retención de usuarios y una satisfacción general con las recomendaciones.

El aspecto comercial también mejoró, ya que las recomendaciones más atractivas llevaron a una mayor exposición de anuncios y mejor generación de ingresos para la plataforma.

#Conclusión

Al final, el desafío de los sistemas de recomendación radica en ofrecer contenido tanto relevante como diverso. Al ver la diversidad a nivel individual y a nivel de sistema como desafíos interconectados, podemos crear una solución más efectiva. Nuestro enfoque aprovecha las fortalezas de los modelos basados en gráficos, lo que nos permite explorar y utilizar las interacciones de los usuarios para mejorar la diversidad en las recomendaciones.

En entornos de ritmo rápido como WeChat, donde las preferencias de los usuarios pueden cambiar rápidamente, la personalización en tiempo real es clave. Nuestro método demuestra que es posible ofrecer a los usuarios un equilibrio entre relevancia y diversidad, lo que conduce a mejores experiencias en general.

#Trabajo Futuro

Mirando hacia el futuro, nuestro objetivo es refinar aún más nuestros métodos y explorar formas adicionales de mejorar los sistemas de recomendación. Esto incluye examinar patrones de comportamiento de usuarios más profundos, explorar nuevas fuentes de datos y mejorar la eficiencia de nuestros algoritmos. A medida que los sistemas de recomendación continúan evolucionando, la importancia de la diversidad seguirá siendo un enfoque central para garantizar la satisfacción y el compromiso del usuario.

Al seguir integrando avances tecnológicos con las necesidades de los usuarios, podemos avanzar en el campo de los sistemas de recomendación y proporcionar a los usuarios contenido que realmente les importa.