🌟Исследователи научились лучше рекомендовать новые товары и контент — качество ранжирования выросло на 35% Российские исследователи предложили три подхода к рекомендательным системам, которые представили в Риме на конференции ACM CIKM – одной из ведущих в области поиска и обработки информации. Чтобы повысить качество рекомендаций новых или непопулярных товаров, исследователи используют текстовые описания товаров вместе с историей взаимодействий пользователей. Один из подходов – модель L3AE, которая объединяет линейный автоэнкодер, обрабатывающий данные о поведении пользователей, и текстовый энкодер, анализирующий описания объектов. 🟡E2L3AE Исследователи создали модель E2L3AE, которая обучает текстовый энкодер и рекомендательную модель вместе, а не по отдельности. Благодаря информации о взаимодействиях пользователя текстовый энкодер лучше понимает, какие особенности объекта важны. E2L3AE протестировали на пяти наборах данных: косметика, игрушки, продукты, офисные товары и одежда. Модель превзошла L3AE на всех тестах. Полнота рекомендаций на датасете офисных товаров выросла на 20,3%, а качество ранжирования — на 17,2% относительно L3AE. 🟡MoE-IGR Архитектура MoE-IGR объединяет графовую модель со «смесью экспертов». Система смотрит на характеристики товара и решает, какая нейросеть-эксперт или их комбинация лучше подойдёт именно для него, а потом объединяет результаты их работы с разными весами. Модель проверяли на фильмах, книгах и заведениях в четырёх сценариях: уже известные объекты, новые объекты, новые пользователи и новые объекты для новых пользователей. Лучше всего модель показала себя как раз на новинках: на данных MovieLens ранжирование улучшилось на 34,5% по сравнению с PinSAGE. 🟡Оценка эффективности рекомендательных моделей Модели принято проверять на исторических данных, деля их на обучающую и тестовую выборки. Но если делить случайно, модель может учиться на событиях, которые случились позже тестовых, хотя в реальности доступа к будущим действиям пользователей у неё нет. Исследователи проверили это на шести наборах данных: от фильмов и музыки до косметики и маркетплейса. В 17 из 18 сравнений модели, выбранные без учёта хронологии действий пользователей, хуже справлялись с будущими взаимодействиями: на датасете фильмов ранжирование просело на 49%, а на коротких видео – на 81%. @ai_machinelearning_big_data #AI #ML
- 105
- 31
- 30
- 12
- 8
- 5
- 2