Uus ajutine algoritm soovitab õigeid tooteid õigel ajal

Internet Technologies - Computer Science for Business Leaders 2016 (Juuli 2019).

Anonim

Tarbijad kõikjal puutuvad kokku AI-i algoritmidega, kes soovitavad neile tooteid, mis põhinevad nende varasematel ostudel ja teiste ostudel. Loomulikult ei tabanud nad alati kaubamärki. Minu IBM Research AI kolleegid, meie akadeemilised koostööpartnerid ja ma lõime hiljuti uue algoritmi, mis suudab pakkuda täpsemaid ja õigeaegseid toote soovitusi.

UC Berkeley professor Michael Jordan kirjeldas palju arutlusega laiahaardelist intervjuud IEEE Spectrumiga olukorda selliselt: "Kui ma ostsin külmkapi, siis see ei näita, et olen üldiselt külmikud huvitatud. Olen juba ostsin oma külmkapi ja tõenäoliselt ei pruugi tõenäoliselt neid ikkagi huvitada. Kui osta Taylor Swift laulu, siis tõenäolisemalt ostaksin temalt rohkem laule. See on seotud lauljate konkreetse semantikaga ning toodete ja esemete hankimiseks. Selleks, et saada selline õigus kogu hulgale inimestega seotud huve, vajab suur hulk andmeid ja suurt hulka masinaid. "

Oleme välja töötanud soovitusalgoritmi, mis muudab selle õigeks, lähtudes ainult eeldusest, et sarnased kasutajad sarnanevad sarnastele elementidele (ühine eeldus koostöös filtreerimispõhiste soovituste tegemisel). Meie lähenemisviisis lagundatakse tõenäosus, et kasutaja ostab objekti vormi kasulikkusesse (selle sisemine kaebus) ja ajakasutusse (kas see on õige aeg objekti ostmiseks). Varasemad lähenemised kipuvad keskenduma ainult vormide kasutamisele. Üksikasjalikumalt kirjeldame seda lähenemist NIPS 2017 pealkirjaga "Scalable Demand-Aware Recommendation". Selle töö juhtis Jinfeng Yi IBM Research'is koos Cho-Jui Hsieh (professor UC Davis, kes lõpetas suve internatuuri IBM Researches) ja tema õpilane Yao Li, samuti Lijun Zhang ja mina.

Me mõõdame ajalist kasulikkust ajaliselt ostude vahel objektide kategooriate kaupa. Kestvad tooted nagu külmikud ja televiisorid on tavaliselt pikkade ostuperioodide vahel, samas kui lühikeseks kasutamiseks mõeldud kaubad, nagu Taylor Swift laulud või leivapähklid, on tavaliselt lühikeste või tähtsusetute ostuvõimaluste vahel.

Meie AI algoritm viitab kõikide kategooriate kestusele koos tüüpiliste kommunikatsioonide vormidega. Veelgi enam, algoritm suudab töötada ostuteabega (erinevalt reitinguandmetest, mis on levinud meediumi soovitusel), kus ostu puudumine ei tähenda ilmtingimata ebasoovitavat. Võrreldes kuue muu algoritmiga pakub meie algoritm paremat ostuprognoose kahel reaalmaailma andmekogumil: Amazoni tooteandmete komplekt ja Kordus Ostjate ennustuskonkursi andmekogum, mis on pärit IJCAI 2015-st kategooria prognoosimise täpsuse ja ostuaja prognoosimise täpsuse mõttes. Meie algoritm võimaldab lahendada probleeme miljonite kasutajate ja miljonite kaupadega tõhusalt.

Peamised tehnilised väljakutsed tulenevad probleemist, mis tekib kui tensori valmimine (puuduvate väärtuste täitmine kolmemõõtmelises massiivis), mille eesmärgiks on pesade hingekadude (iseäranis konkreetse mitte-sileda funktsiooni koosseis). Me vähendame oluliselt arvutuslikku keerukust, muutes tensori valmimise maatriksi lõpuleviimiseks (kahemõõtmeline massiiv), eeldades, et kasutajate eelistused kirjetel aja jooksul ei muutu. (Muude minevikus tehtud tööde puhul keskendume täpselt ajavahetusega kasutaja eelistustele.)

Isegi selle eelduse korral on meil ikkagi keeruline probleem mittesügaval eesmärgil, mis sisaldab suurt hulka termineid (võrdub kasutajate arvu, esemete arvuga ja ajaperioodide arvuga). Me käsitleme neid väljakutseid vahelduva minimeerimisega, mis kasutab ära ostuandmete ranguse. Konkreetselt on suur osa kasutajaühikute paaridest väga väike murdosa ostude hulgast. Algoritm keskendub nutikalt peamiselt ostudele, mitte ostudele. Lisaks ei püüa see mõlemat vormi utiliiti ja ajavahendeid korraga, vaid eraldi sammudena.

Selle täpsuse ja mastaapsuse tõttu võime ette kujutada, et meie algoritm oleks e-kaubanduse pakkujatele kasulik.

menu
menu