Migliorare le raccomandazioni con interazioni utente multi-modali

I sistemi di raccomandazione sono strumenti che aiutano le persone a trovare articoli che potrebbero piacergli, come prodotti, film o musica. Questi sistemi spesso si basano sulle azioni degli utenti, come valutazioni o acquisti, per capire quali sono le preferenze. Tuttavia, molte persone interagiscono con questi sistemi in modi diversi, come visitare un sito web o fare una telefonata. Questa varietà nei metodi di interazione è quello che chiamiamo "interazioni utente multi-modali".

La sfida sorge quando cerchiamo di usare queste interazioni per raccomandare articoli, specialmente quando alcuni utenti non usano tutti i canali disponibili. Ad esempio, alcuni potrebbero fare solo acquisti tramite telefonata mentre altri potrebbero usare solo il sito web. Questo significa che potrebbero mancare informazioni preziose dai dati raccolti.

Per affrontare questo problema, abbiamo creato un dataset che include informazioni sulle interazioni degli utenti attraverso più canali. Questo dataset può aiutarci a migliorare il modo in cui facciamo Raccomandazioni, specialmente in aree che non hanno ricevuto molta attenzione prima.

#Il Dataset

Il dataset che abbiamo sviluppato proviene da uno scenario reale, specificamente da un'azienda che vende prodotti assicurativi. I prodotti assicurativi possono essere complessi, e non tutti i clienti scelgono di interagire con l'azienda nello stesso modo. Il nostro dataset include:

1. Sessioni utente dal sito web dell'azienda dove i clienti possono acquistare prodotti assicurativi.
2. Conversazioni trascritte tra utenti e agenti assicurativi al telefono.
3. Azioni di acquisto effettuate dagli utenti.

Raccogliendo queste informazioni, apriamo nuove opportunità per capire come gli utenti scelgono i prodotti assicurativi e come possiamo raccomandare articoli in modo migliore.

#Perché le Interazioni Multi-Modali Sono Importanti

La maggior parte degli studi precedenti si è concentrata su come gli articoli possono essere rappresentati in diverse forme, come testo, audio o immagini. Tuttavia, questi studi spesso presumono che tutte le informazioni siano disponibili durante l'allenamento e nel fare raccomandazioni. Questa assunzione non è vera nel nostro caso, poiché non ogni utente interagisce attraverso ogni possibile canale.

Questo divario nella ricerca evidenzia l'importanza di studiare come combinare diversi tipi di interazioni degli utenti in modo significativo. Oltre ai clic su un sito web, includiamo anche conversazioni che possono rivelare direttamente gusti e antipatie degli utenti.

Il settore delle assicurazioni è un'area critica per questa ricerca perché le raccomandazioni qui possono influenzare significativamente la vita delle persone. A differenza della raccomandazione di un film o di un libro, le decisioni assicurative hanno impatti a lungo termine.

#Sfide con le Interazioni Utente Multi-Modali

Una delle sfide chiave che affrontiamo quando ci occupiamo di interazioni utente multi-modali è che non tutti gli utenti interagiscono allo stesso modo. Alcuni utenti potrebbero chiamare solo l’azienda assicurativa, mentre altri potrebbero usare solo il sito web. Quando cerchiamo di fare raccomandazioni, dobbiamo gestire le informazioni mancanti da chi non usa tutti i canali.

Inoltre, i metodi esistenti che i ricercatori hanno sviluppato sono principalmente progettati per situazioni in cui tutte le informazioni sono presenti. La nostra sfida è creare metodi che possano funzionare con i dati incompleti che si verificano naturalmente quando gli utenti interagiscono con diverse modalità.

#Contributi del Nostro Studio

Il nostro lavoro porta diversi contributi importanti in quest'area:

1. Dataset Reale: Abbiamo creato e rilasciato un dataset che riflette le interazioni utente multi-modali specificamente per raccomandare prodotti assicurativi.

2. Metodi di Benchmarking: Abbiamo esaminato vari approcci per combinare diversi tipi di interazioni utente per raccomandazioni migliori.

3. Analisi Approfondita: La nostra ricerca fornisce un'analisi dettagliata dei risultati e mette in luce le sfide presentate dalle interazioni utente multi-modali.

Rendendo il nostro dataset e i metodi pubblicamente disponibili, speriamo di stimolare ulteriori ricerche in quest'area.

#Approcci Esistenti

Sebbene questo studio sia nuovo, si basa su alcuni metodi esistenti per i sistemi di raccomandazione. La maggior parte del lavoro precedente si è concentrata su come rappresentare gli articoli in vari formati o su come gestire il feedback degli utenti da diversi tipi di interazioni, come visualizzazione o acquisto. Tuttavia, non c’è stata molta attenzione nel combinare le interazioni degli utenti che avvengono in modi diversi.

Inoltre, molti metodi esistenti richiedono informazioni complete in ogni momento. Questo è irrealistico in scenari reali come il nostro, dove i dati mancanti sono comuni.

#Le Nostre Domande di Ricerca

Per guidare il nostro studio, abbiamo posto due domande di ricerca principali:

1. Come possiamo rappresentare al meglio le interazioni utente multi-modali in modo che possano essere combinate efficacemente?
2. Ci sono relazioni essenziali tra i diversi tipi di interazioni utente, e un tipo di interazione può aiutarci a imparare da un altro?

Rispondendo a queste domande, possiamo fornire approfondimenti su come diversi tipi di interazioni possono essere utilizzati per migliorare i sistemi di raccomandazione.

#Risultati

I nostri esperimenti hanno rivelato che le interazioni utente multi-modali contengono informazioni uniche che possono integrarsi bene. Nei nostri test, gli articoli raccomandati sono migliorati notevolmente quando abbiamo combinato informazioni sia dalle sessioni web che dalle conversazioni telefoniche.

#Interazioni Utente

Guardando i dati, abbiamo scoperto che non ogni utente aveva conversazioni o sessioni web prima di fare un acquisto. Una parte consistente degli utenti aveva solo un tipo di interazione. Questi dati mancanti hanno rappresentato una sfida per la nostra analisi, ma hanno anche evidenziato la necessità della nostra ricerca.

#Key Insights

• Informazioni Supplementari: Un insight dalla nostra ricerca è che un tipo di interazione può fornire informazioni preziose per migliorare l'apprendimento da un altro tipo.

• Performance del Modello: I metodi proposti hanno mostrato prestazioni molto migliori rispetto ai modelli tradizionali. Questo suggerisce che combinare diversi tipi di interazioni può portare a raccomandazioni migliori.

#Lavoro Correlato

Diversi studi precedenti hanno esaminato aree simili, ma la maggior parte di essi si concentra su come rappresentare gli articoli con caratteristiche diverse piuttosto che focalizzarsi su come gli utenti interagiscono con quegli articoli. Inoltre, i dataset esistenti spesso mancano dell'incompletezza naturale che si verifica nel mondo reale.

#Metodologia

Abbiamo sviluppato diversi metodi per studiare e modellare i diversi tipi di interazioni utente in modo efficace. Il nostro approccio ha coinvolto l'assegnazione delle interazioni utente a uno spazio di rappresentazione comune. Questo consente al modello di funzionare efficacemente anche quando alcune informazioni mancano.

#Modelli Proposti

Abbiamo proposto tre tipi di modelli:

1. Modello Keyword: Questo modello rappresenta le conversazioni usando parole chiave estratte dal testo. Aiuta a catturare idee chiave all'interno della Conversazione che sono rilevanti per le raccomandazioni.

2. Modello Latente: Questo approccio usa embedding testuali per rappresentare le conversazioni e combina queste informazioni con codifiche delle azioni dalle sessioni web. Il modello impara a connettere entrambi i tipi di informazioni.

3. Modello di Rappresentazione Relativa: Questo modello confronta rappresentazioni latenti di conversazioni e sessioni web, consentendo una comprensione più flessibile delle interazioni utente.

Utilizzando questi modelli, miriamo a affrontare i problemi delle modalità mancanti, fornendo comunque raccomandazioni utili.

#Setup Sperimentale

Per la valutazione, abbiamo diviso i nostri dati in set di addestramento e test. Abbiamo addestrato vari modelli utilizzando i dati di addestramento e poi abbiamo valutato le loro prestazioni in base a quanto bene potessero prevedere quali articoli gli utenti avrebbero acquistato successivamente. Abbiamo utilizzato metriche come il tasso di successo e la precisione media per valutare l'accuratezza delle nostre raccomandazioni.

#Risultati

I risultati sperimentali hanno mostrato un notevole miglioramento nelle raccomandazioni quando abbiamo utilizzato i nostri modelli proposti rispetto ai modelli di base più semplici. Tutti i modelli hanno superato il semplice approccio di raccomandazione "popolare", che suggerisce solo articoli basati sui conteggi di acquisto precedenti.

#Risultati Specifici

• Performance su Diversi Gruppi di Utenti: I nostri modelli hanno mostrato prestazioni diverse considerando utenti che hanno interagito solo tramite conversazioni, solo tramite sessioni web, o una combinazione di entrambi. Questo indica l'importanza di come le raccomandazioni siano adattate ai comportamenti degli utenti.

• Le Interazioni Contano: Diverse modalità forniscono approfondimenti unici, portando a migliori raccomandazioni quando vengono combinate correttamente.

#Importanza del Numero di Eventi

Abbiamo anche condotto analisi su come il numero di interazioni passate influisce sulle performance del modello. In generale, avere più eventi precedenti ha portato a migliori performance, anche se questo effetto variava in base al tipo di interazione (conversazione vs. sessione web).

#Ordine degli Eventi

Un altro aspetto che abbiamo esplorato è l'ordine degli eventi. Abbiamo mescolato l'ordine delle interazioni per vedere come impattasse le raccomandazioni. I nostri risultati hanno indicato che la sequenza delle interazioni conta, e i modelli che utilizzano l'ordine temporale degli eventi hanno performato meglio.

#Visualizzazione dei Dati

Abbiamo utilizzato una tecnica chiamata t-SNE per visualizzare come i diversi tipi di interazioni utente sono rappresentati nei nostri modelli. La visualizzazione ha mostrato che conversazioni e sessioni web si raggruppano in modo distintivo, suggerendo che contengono dettagli variati sulle preferenze e comportamenti degli utenti.

#Conclusione

In conclusione, il nostro studio fornisce un contributo significativo al campo dei sistemi di raccomandazione concentrandosi sulle interazioni utente multi-modali. Sviluppando un dataset reale e proponendo nuovi metodi per affrontare le sfide presentate da informazioni mancanti, apriamo la strada a raccomandazioni migliorate, specialmente in aree ad alto rischio come le assicurazioni.

La nostra ricerca evidenzia il valore di incorporare vari tipi di interazioni utente per creare raccomandazioni personalizzate. Come passo successivo, prevediamo di esplorare di più su come il contesto influisce sulle raccomandazioni, tenendo conto di fattori come il tempo e le conversazioni specifiche degli utenti.

Stimolando ulteriori ricerche in quest'area, speriamo di contribuire a sistemi di raccomandazione più efficaci e informativi che si adattino ai vari modi in cui gli utenti interagiscono con i servizi.