Penulis: Roman Zykov, pakar database, konsultan AI independen di LENUF.ru
Ketika kita berbicara tentang rekomendasi yang dipersonalisasi, kita sering lupa bahwa ada berbagai jenis rekomendasi. Pada artikel ini, saya akan melihat perbedaan utama antara rekomendasi jangka panjang dan jangka pendek.
Rekomendasi pribadi berarti bahwa kami merekomendasikan sesuatu kepada pengguna, dengan mempertimbangkan minat pribadinya, dengan mempertimbangkan sinyalnya. Sinyal itu sendiri terdiri dari dua jenis - eksplisit, ketika pengguna mengatakan apa yang dia suka (seperti, peringkat untuk sebuah lagu, ulasan untuk suatu produk); dan implisit, ketika pengguna melakukan beberapa tindakan (melihat produk, mendengarkan lagu, mencari sesuatu), di mana kita tidak dapat secara jelas mengevaluasi apakah pengguna menyukai/tidak menyukai sesuatu. Dalam versi pertama sistem rekomendasi, biasanya hanya menggunakan data eksplisit, ini dapat dilihat baik dalam literatur maupun artikel ilmiah pada waktu itu. Biasanya ada lebih banyak data implisit - ingat berapa banyak produk yang Anda lihat (sinyal implisit) sebelum membeli,dan kemudian untuk berapa banyak produk yang Anda tinggalkan ulasan (sinyal yang jelas)? Oleh karena itu, dalam dekade terakhir, telah terjadi pergeseran ke arah rekomendasi implisit. Bahkan perwakilan Netflix mengumumkan pentingnya data tersebut pada konferensi RecSys 5 tahun yang lalu. Bagaimana kita bisa melihat ini? Misalnya, rekomendasi di youtube terus disesuaikan dengan video yang Anda tonton dan video yang Anda sukai. Hal yang sama juga dilakukan oleh sistem rekomendasi dalam layanan musik streaming, jejaring sosial, dan toko online.Hal yang sama juga dilakukan oleh sistem rekomendasi dalam layanan musik streaming, jejaring sosial, dan toko online.Hal yang sama juga dilakukan oleh sistem rekomendasi dalam layanan musik streaming, jejaring sosial, dan toko online.
Mari kita kembali ke masalah rekomendasi jangka panjang / jangka pendek. Yang saya maksud dengan minat jangka panjang adalah minat pengguna yang relevan dalam jangka waktu yang lama. Ini bisa berupa kategori produk, merek, genre musik, band, dll. Di bawah kepentingan jangka pendek pengguna - mereka yang perlu segera dipuaskan untuk kebutuhannya saat ini. Misalnya, seorang gadis memilih sepatu bot - warna, panjang tumit, ketebalan sol, harga, merek - cukup cocok untuk minat jangka pendek. Kedua jenis rekomendasi harus memenuhi kepentingan ini. Untuk musik - ritme, ada / tidaknya vokal.
Rekomendasi jangka panjang
, (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) / .