Recommandations personnelles à court et à long terme

Auteur : Roman Zykov, expert en bases de données, consultant indépendant en IA chez LENNUF.ru

Quand on parle de recommandations personnalisées, on oublie souvent qu'il existe différents types de recommandations. Dans cet article, je vais examiner les principales différences entre les recommandations à long terme et à court terme.

Les recommandations personnelles signifient que nous recommandons quelque chose à l'utilisateur, en tenant compte de ses intérêts personnels, en tenant compte de ses signaux. Les signaux eux-mêmes sont de deux types - explicites, lorsque l'utilisateur dit ce qu'il aime (comme, note pour une chanson, avis pour un produit); et implicite, lorsque l'utilisateur effectue certaines actions (regarder le produit, écouter une chanson, chercher quelque chose), par lesquelles nous ne pouvons pas évaluer sans ambiguïté si l'utilisateur aime / n'aime pas quelque chose. Dans les premières versions des systèmes de recommandation, il était d'usage de n'utiliser que des données explicites, cela se voit à la fois dans la littérature et dans les articles scientifiques de l'époque. Il y a généralement beaucoup plus de données implicites - rappelez-vous combien de produits vous avez regardés (signaux implicites) avant d'acheter,et puis pour combien de produits avez-vous laissé des avis (signaux clairs) ? Par conséquent, au cours de la dernière décennie, il y a eu une évolution vers des recommandations implicites. Même les représentants de Netflix ont annoncé l'importance de telles données lors de la conférence RecSys il y a 5 ans. Comment pouvons-nous voir cela? Par exemple, les recommandations sur youtube sont constamment ajustées en fonction des vidéos que vous avez regardées et des vidéos que vous avez aimées. La même chose est faite par les systèmes de recommandation dans les services de musique en streaming, les réseaux sociaux et les magasins en ligne.La même chose est faite par les systèmes de recommandation dans les services de musique en streaming, les réseaux sociaux et les magasins en ligne.La même chose est faite par les systèmes de recommandation dans les services de musique en streaming, les réseaux sociaux et les magasins en ligne.

Revenons à la question des recommandations à long terme/court terme. Par intérêts à long terme, j'entends les intérêts des utilisateurs qui sont pertinents sur une longue période de temps. Il peut s'agir de catégories de produits, de marques, de genres de musique, de groupes, etc. Sous les intérêts à court terme de l'utilisateur - ceux qui doivent être instantanément satisfaits pour ses besoins actuels. Par exemple, une fille choisit des bottes - la couleur, la longueur du talon, l'épaisseur de la semelle, le prix, la marque - conviennent parfaitement aux intérêts à court terme. Les deux types de recommandations devraient satisfaire ces intérêts. Pour la musique - rythme, présence / absence de voix.

Recommandations à long terme

, (Recency, RFM!) (Frequency) , , … 80% . “” , -, . , , . , , .

, - , , , (batch) . , , - Recency Frequency. .

. , . - , . , , - "Application of Kullback-Leibler divergence for short-term user interest detection”.

, KL ( ) (, , ..). - . “” “”, . ? , , , .

- real-time , . . KL- - embeddings .

/ (recall- diversity tradeoff). , . , - , . “” , . explore-exploit reinforcement learning, . , (diversity) / .