Згадайте останній раз, коли ви ловили себе на тому, що вже третю годину поспіль гортаєте стрічку улюбленої соціальної мережі, дивлячись короткі відео, або ж зайшовши на веб-версію інтернет магазину з чіткою метою придбати одну пару взуття оновлювали весь гардероб? Дуже часто результат такої поведінки є не відсутністю внутрішньої дисципліни, а вдалим застосуванням алгоритмів рекомендацій. Моделі, або сукупності моделей, що реалізують дані алгоритми звуться рекомендаційними системами.
Рекомендаційні системи (РС) – вагомий фактор успіху бізнесу в епоху глобальної діджиталізації ринків товарів та послуг, оскільки залучають нових користувачів та утримують вже існуючих, створюючи умови для створення баз лояльних користувачів. Останні в свою чергу є запорукою стабільності доходів бізнесів, що дані товари та послуги надають. РС аналізують довго- та короткострокові патерни поведінки користувачів, видаючи списки елементів, які є релевантними для даного користувача, тобто є моделями (ансамблями моделей) статистичного навчання.
Головною складністю є те, що методології розробки РС побудовані на компромісах, тобто врахування тих, чи інших факторів породжує «сліпі зони» моделей. Системи, що надають перевагу короткостроковим змінам поведінки користувача, що широко використовуються при плануванні рекламних кампаній, до яких відносяться РС на основі контексту, мають дуже вузький перелік товарів та послуг, оскільки чим коротше вікно спостережень використовується, тим потенційно менший асортимент фігурує в навчальній вибірці. З іншого боку, системи колаборативної фільтрації, що ґрунтуються на дослідженні довгострокової історії покупок, мають широкий асортимент товарів та послуг в якості елементів-кандидатів в рекомендації, проте не здатні рекомендувати товари для тих користувачів, що щойно долучилися.
У рамках свого дисертаційного дослідження я вирішив змінити фокус з побудови спеціалізованих моделей для роботи з наявними табличними даними – часовими рядами покупок та переглядів – на зміну представлення самих даних. В якості такого представлення я обрав графи, оскільки вони є природним способом представлення взаємозв’язків між елементами – насамперед, користувачами та товарами. Використовуючи дані візитів, кліків, покупок, категорій товарів можна організувати ці взаємозв’язки у спеціальний вид графів, що іменуються графами знань. Надалі дані графи можна представити у матричному вигляді, що робить можливим використання існуючих архітектур машинного навчання, таких як механізми уваги та моделі простору станів.
Для перевірки працездатності такого підходу у рамках дослідження було створено методологію побудови гібридної рекомендаційної системи, що включає метод автоматичної генерації графів знань, метод одночасного аналізу цих графів з обробкою послідовностей поточних взаємодій користувача та платформи на основі механізмів уваги, дистиляції знань для оптимізації складності системи та метод прогнозування попиту на елементи за допомогою моделей простору станів. Побудовані моделі продемонстрували стале покращення значень метрик ранжування, порівняно з моделями, що спираються виключно на дані візитів користувачів, такі як BERT4Rec та SASRec. На рисунку нижче продемонстровано приклад розподілення векторів-представлень найближчих товарів до заданого (в прикладі це кеди фірми Nike). Даний приклад показує переваги застосування графів знань, що здатні групувати товари за причинно-наслідковими зв’язками.
В цей ж час, без використання графів знань, на той самий запит найближчі вектори пов’язані не «сенсово» а «категорійно»: в топі рекомендацій знаходяться кеди та спортивний одяг.
