Améliorer les recommandations avec les données d'intention des utilisateurs

Les Systèmes de recommandation aident les utilisateurs à trouver des trucs qu'ils aiment parmi plein d'options. Ces systèmes sont super importants sur beaucoup de plateformes en ligne comme les sites de shopping et les services d'info. Ils fonctionnent en comprenant les préférences des utilisateurs selon leurs comportements passés, comme les clics ou les achats. Mais les utilisateurs ont souvent des intentions différentes quand ils interagissent avec des objets. Certaines de ces intentions sont stables, comme toujours vouloir des articles de haute qualité, tandis que d'autres changent, comme vouloir une robe d'été au lieu d'un manteau d'hiver.

Comprendre ces intentions peut être délicat parce qu'elles ne sont pas toujours clairement exprimées. Dans les scénarios de recherche, les utilisateurs expriment leurs intentions plus explicitement à travers leurs requêtes de recherche. Par exemple, si quelqu'un cherche "des baskets pas chères", ça montre qu'il cherche des chaussures de sport abordables. Cette info explicite peut aider à améliorer les systèmes de recommandation. En combinant les données de recherche et de recommandation, on peut mieux comprendre les intentions des utilisateurs et améliorer les recommandations qu'ils reçoivent.

#Défis des systèmes de recommandation

Les systèmes de recommandation reposent principalement sur les interactions passées des utilisateurs pour prédire ce qu'ils pourraient aimer ensuite. Par exemple, les modèles traditionnels supposent que si deux utilisateurs aiment des articles similaires dans le passé, ils aimeront aussi des articles similaires à l'avenir. Bien que ça fonctionne dans une certaine mesure, ça a ses limites. Les utilisateurs peuvent avoir des intentions cachées différentes que les modèles ne capturent pas.

Par exemple, deux utilisateurs peuvent aimer les nouilles mais avoir des préférences différentes pour le type de restaurant. L'un pourrait préférer les saveurs épicées, tandis que l'autre aime le sucré. Si le système se contente d'examiner leurs interactions sans comprendre ces nuances, il pourrait recommander les mauvais éléments à chaque utilisateur.

De plus, même pour un seul utilisateur, ses intentions peuvent évoluer avec le temps. Une personne pourrait chercher un t-shirt en été et une doudoune en hiver. Si le système ne reconnaît pas ces demandes changeantes, il pourrait ne pas fournir des recommandations pertinentes.

#Le rôle des données de recherche

Les données de recherche offrent une opportunité unique d'améliorer les systèmes de recommandation. Quand les utilisateurs cherchent quelque chose, ils fournissent souvent des infos claires sur ce qu'ils veulent. Par exemple, si quelqu'un tape "pizza près de chez moi", il est clair qu'il cherche des options de pizza. Ces données peuvent servir de guide pour les systèmes de recommandation, aidant à identifier les intentions changeantes des utilisateurs.

Le défi réside dans l'utilisation efficace de ces données de recherche explicites pour améliorer la compréhension des intentions implicites dans les systèmes de recommandation. Sans connexions claires entre ce que les utilisateurs recherchent et ce sur quoi ils cliquent dans les recommandations, les modèles peuvent avoir du mal à fournir des suggestions précises.

#Introduction de la traduction des intentions duales unifiées

Pour résoudre ces problèmes, on propose un nouveau modèle appelé Traduction des Intentions Duales Unifiées pour la Recherche et la Recommandation. Ce modèle vise à mieux comprendre à la fois les intentions inhérentes et les intentions de demande, permettant ainsi des recommandations plus précises.

#Comprendre les intentions duales

La première étape est de reconnaître que les utilisateurs ont deux types d'intentions : inhérentes et de demande. Les intentions inhérentes sont stables et reflètent les préférences des utilisateurs, tandis que les intentions de demande changent selon des contextes ou des besoins spécifiques.

Par exemple, un utilisateur peut avoir une intention inhérente d'acheter des articles abordables mais avoir une intention de demande de trouver une veste de pluie pendant une tempête. Notre modèle vise à capturer ces deux intentions et comment elles influencent les interactions de l'utilisateur avec les objets.

#Le générateur d'intentions de demande

Pour générer efficacement des intentions de demande, on utilise les données de recherche comme source de supervision. Quand les utilisateurs cherchent des articles, ils fournissent des aperçus de leurs intentions de demande. En analysant ces requêtes, on peut mieux comprendre ce que les utilisateurs veulent à un moment donné.

Le générateur d'intentions de demande utilise les requêtes de recherche historiques pour déduire les intentions de demande pour les recommandations. Ainsi, quand un utilisateur cherche un article spécifique, le système peut prédire que son intention pourrait pencher vers des options abordables ou un style particulier.

#Propagation de la traduction des intentions duales

Une fois qu'on a établi un moyen de générer des intentions de demande, l'étape suivante est de relier ces intentions aux articles avec lesquels les utilisateurs interagissent. C'est là que la traduction des intentions duales entre en jeu.

Notre approche consiste à créer un mécanisme qui traduit les intentions des utilisateurs en représentations d'articles. Par exemple, si un utilisateur montre un désir pour des baskets abordables, le système traduira ce désir en recommandations d'articles qui correspondent à la fois au prix et au type de chaussures en accord avec ses préférences inhérentes.

#Apprendre à partir des données d'interaction

Pour rendre notre modèle efficace, on doit s'appuyer sur les données d'interaction disponibles dans les scénarios de recherche et de recommandation. En créant un modèle joint qui considère les deux types de données, on peut améliorer la précision de nos prédictions.

#Structure du modèle

Le modèle UDITSR est construit avec deux composants clés : le générateur d'intentions de demande et le module de traduction des intentions duales. Ces composants travaillent ensemble pour comprendre les intentions des utilisateurs et créer des recommandations personnalisées.

1. Générateur d'intentions de demande :

   • Utilise les requêtes de recherche pour générer une intention de demande d'un utilisateur.
   • Aide à cartographier ce que l'utilisateur recherche dans le contexte de ses interactions passées.

2. Module de traduction des intentions duales :

   • Relie les intentions inhérentes aux intentions de demande et aux représentations d'articles.
   • Assure que les recommandations faites sont en accord avec ce que les utilisateurs veulent vraiment.

#Mise en place expérimentale

Pour évaluer l'efficacité d'UDITSR, on a réalisé des tests avec des ensembles de données du monde réel. Ces ensembles comprenaient des interactions d'utilisateurs d'une grande plateforme de livraison. On avait différents groupes d'utilisateurs et d'articles, et on a collecté des interactions de recherche et de recommandation.

#Collecte de données

Les ensembles de données incluaient des milliers d'interactions sur plusieurs jours. Chaque morceau de données contenait des identifiants d'utilisateur, des identifiants d'article, et dans le cas des interactions de recherche, des requêtes de recherche. On a divisé les données en ensembles d'entraînement, de validation et de test pour évaluer avec précision les performances du modèle.

#Comparaison avec des modèles existants

On a comparé UDITSR avec d'autres modèles bien connus dans le domaine. Cela comprenait à la fois des modèles basés sur des graphes et des systèmes de recommandation traditionnels. L'objectif était de voir à quel point notre modèle pouvait mieux performer grâce à son approche unique pour apprendre les intentions des utilisateurs.

#Résultats

Les résultats ont montré qu'UDITSR améliorait considérablement la qualité des recommandations dans l'ensemble. Comparé aux modèles existants, UDITSR les a surpassés dans les tâches de recherche et de recommandation.

#Performance en recherche et recommandation

Notre modèle a montré une amélioration moyenne de plusieurs points de pourcentage sur des indicateurs clés comme les Taux de Clic (CTR) et la Valeur Brute des Marchandises (GMV). Cela indique que les utilisateurs voyaient non seulement des recommandations plus pertinentes mais également qu'ils interagissaient plus efficacement avec elles.

#Importance du générateur d'intentions de demande

À travers des études d'ablation, on a découvert que le générateur d'intentions de demande était crucial pour améliorer la précision des recommandations. En utilisant les données de recherche explicites, notre modèle a pu apprendre les intentions de demande plus efficacement que les approches traditionnelles.

#Impact de la traduction des intentions

On a également découvert que le mécanisme de traduction des intentions duales jouait un rôle essentiel en reliant les intentions des utilisateurs aux interactions avec les articles. Cela a amélioré la qualité générale des recommandations en s'assurant qu'elles étaient plus alignées avec ce que les utilisateurs cherchaient réellement.

#Visualisations et insights

Pour mieux comprendre comment le modèle a appris les intentions des utilisateurs, on a visualisé les intentions apprises. Les graphiques résultants ont montré des distributions claires d'articles et des aperçus de la manière dont le modèle a capturé les relations entre les intentions inhérentes et de demande.

Dans les visualisations, on a noté que les intentions traduites apprises par UDITSR étaient bien plus alignées avec les articles avec lesquels les utilisateurs interagissaient. Cette forte concordance est ce qui a contribué au succès global du modèle.

#Tests en ligne

Après des tests hors ligne approfondis, on a déployé UDITSR dans un cadre réel pour un test A/B en ligne d'un mois. L'objectif principal était de voir comment le modèle performait dans un environnement opérationnel, où le comportement des utilisateurs pouvait différer des conditions de test contrôlées.

#Observations du déploiement en ligne

Le déploiement en ligne a confirmé nos résultats des expérimentations. L'application d'UDITSR a conduit à des améliorations mesurables des indicateurs de performance clés, comme l'augmentation de la GMV et du CTR.

#Conclusion

En résumé, notre travail a montré qu'une approche unifiée pour comprendre les intentions duales dans la recherche et les recommandations mène à un meilleur engagement et une plus grande satisfaction des utilisateurs. En utilisant efficacement les données de recherche, on peut combler le fossé entre les intentions implicites et explicites des utilisateurs.

Le modèle UDITSR représente une avancée significative dans les systèmes de recommandation, offrant un cadre pour capturer plus précisément les intentions des utilisateurs. Alors que le paysage des interactions en ligne continue d'évoluer, ce modèle offre des aperçus précieux sur la manière dont on peut améliorer la pertinence et l'efficacité des recommandations.

À travers notre recherche et développement continu, on vise à renforcer encore les capacités des systèmes de recommandation, s'assurant que les utilisateurs continuent de recevoir des suggestions pertinentes et personnalisées qui répondent à leurs besoins.