Autor: Roman Zykov, experto en bases de datos, consultor independiente de inteligencia artificial en LENNUF.ru
Cuando hablamos de recomendaciones personalizadas, a menudo olvidamos que existen diferentes tipos de recomendaciones. En este artículo, analizaré las principales diferencias entre las recomendaciones a largo y corto plazo.
Las recomendaciones personales significan que recomendamos algo al usuario, teniendo en cuenta sus intereses personales, teniendo en cuenta sus señales. Las señales en sí mismas son de dos tipos: explícitas, cuando el usuario dice lo que le gusta (como, calificación de una canción, reseña de un producto); e implícitamente, cuando el usuario realiza algunas acciones (miró el producto, escuchó una canción, buscó algo), por lo que no podemos evaluar de manera inequívoca si al usuario le gusta / no le gusta algo. En las primeras versiones de los sistemas de recomendación, se acostumbraba utilizar solo datos explícitos, esto se puede ver tanto en la literatura como en los artículos científicos de la época. Por lo general, hay muchos más datos implícitos: recuerde cuántos productos miró (señales implícitas) antes de comprar,y luego, ¿para cuántos productos dejaste reseñas (señales claras)? Por tanto, en la última década ha habido un cambio hacia recomendaciones implícitas. Incluso los representantes de Netflix anunciaron la importancia de estos datos en la conferencia RecSys hace 5 años. ¿Cómo podemos ver esto? Por ejemplo, las recomendaciones en youtube se ajustan constantemente de acuerdo con los videos que miraste y los videos que te gustaron. Lo mismo se hace mediante sistemas de recomendación en servicios de música en streaming, redes sociales y tiendas online.Lo mismo se hace mediante sistemas de recomendación en servicios de música en streaming, redes sociales y tiendas online.Lo mismo se hace mediante sistemas de recomendación en servicios de música en streaming, redes sociales y tiendas online.
Volvamos al tema de las recomendaciones a corto y largo plazo. Por intereses a largo plazo, me refiero a los intereses de los usuarios que son relevantes durante un largo período de tiempo. Pueden ser categorías de productos, marcas, géneros musicales, bandas, etc. Bajo los intereses a corto plazo del usuario, aquellos que necesitan ser satisfechos instantáneamente para sus necesidades actuales. Por ejemplo, una niña elige botas (color, longitud del tacón, grosor de la suela, precio, marca) que son bastante adecuadas para intereses a corto plazo. Ambos tipos de recomendaciones deben satisfacer estos intereses. Para la música: ritmo, presencia / ausencia de voces.
Recomendaciones a largo plazo
, (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) / .