Kredit:Pixabay/CC0 Public Domain
Rekommendationsalgoritmer kan göra en kunds onlineshoppingupplevelse snabbare och effektivare genom att föreslå kompletterande produkter närhelst kunden lägger till en produkt i sin varukorg. Köpte kunden jordnötssmör? Algoritmen rekommenderar flera märken av gelé att lägga till nästa.
Dessa algoritmer fungerar vanligtvis genom att associera köpta varor med varor som andra shoppare ofta har köpt tillsammans med dem. Om shopparens vanor, smaker eller intressen liknar tidigare kunders, kan sådana rekommendationer spara tid, dra i minnet och vara ett välkommet tillskott till shoppingupplevelsen.
Men vad händer om shopparen köper jordnötssmör för att stoppa en hundleksak eller bete en råttfälla? Vad händer om shopparen föredrar honung eller bananer med sitt jordnötssmör? Rekommendationsalgoritmen kommer att ge mindre användbara förslag, kosta återförsäljaren en försäljning och potentiellt irritera kunden.
Ny forskning ledd av Negin Entezari, som nyligen tog doktorsexamen i datavetenskap vid UC Riverside, Instacart-samarbetspartners och hennes doktorandrådgivare Vagelis Papalexakis, ger en metodik som kallas tensornedbrytning – som används av forskare för att hitta mönster i enorma mängder data – till handelsvärlden att rekommendera kompletterande produkter mer noggrant anpassade efter kundernas preferenser.
Tensorer kan avbildas som flerdimensionella kuber och används för att modellera och analysera data med många olika komponenter, så kallade multiaspektdata. Data som är nära relaterade till andra data kan kopplas samman i ett kubarrangemang och relateras till andra kuber för att avslöja mönster i datan.
"Tensorer kan användas för att representera kunders shoppingbeteenden", sa Entezari. "Varje läge i en 3-läges tensor kan fånga en aspekt av en transaktion. Kunder bildar ett läge för tensorn och det andra och tredje läget fångar produkt-till-produkt-interaktioner genom att överväga produkter som köps tillsammans i en enda transaktion."
Till exempel gör tre hypotetiska kunder – A, B och C – följande köp:
Till en konventionell matrisbaserad algoritm är kund A identisk med kund B eftersom de köpte samma varor. Med hjälp av tensorupplösning är kund A dock närmare besläktad med kund C eftersom deras beteende var liknande. Båda hade liknande produkter samköpta i en enda transaktion, även om deras inköp skilde sig något.
Den typiska rekommendationsalgoritmen gör förutsägelser baserat på varan kunden just köpt medan tensornedbrytning kan ge rekommendationer baserat på vad som redan finns i användarens hela korg. Så om en shoppare har hundmat och jordnötssmör i sin korg men inget bröd, kan en tensorbaserad rekommendationsalgoritm föreslå en påfyllningsbar hundtuggleksak istället för gelé om andra användare också har gjort det köpet.
"Tensorer är flerdimensionella strukturer som tillåter modellering av komplexa, heterogena data", säger Papalexakis, docent i datavetenskap och teknik. "Istället för att bara lägga märke till vilka produkter som köps tillsammans, finns det en tredje dimension. Dessa produkter köps av den här typen av användare och algoritmen försöker avgöra vilka typer av användare som skapar denna matchning."
För att testa sin metod använde Entezari, Papalexakis och medförfattarna Haixun Wang, Sharath Rao och Shishir Kumar Prasad, alla forskare för Instacart, en offentlig Instacart-datauppsättning för att träna sin algoritm. De fann att deras metod överträffade toppmoderna metoder för att förutsäga kundspecifika kompletterande produktrekommendationer. Även om mer arbete behövs, drar författarna slutsatsen att nedbrytning av big data tensor så småningom kan hitta ett hem även i storföretagen.
"Tensormetoder, även om de är mycket kraftfulla verktyg, är fortfarande mer populära inom akademisk forskning när det gäller rekommendationssystem", säger Papalexakis. "För att industrin ska kunna adoptera dem måste vi visa att det är värt besväret och relativt smärtfritt att ersätta det de har som redan fungerar."
Även om tidigare forskning har visat fördelarna med tensormodellering i rekommendationsproblem, är den nya publikationen den första som gör det i form av kompletterande artikelrekommendationer, vilket för tensormetoder närmare industriellt antagande och tekniköverföring i samband med rekommendationssystem.
"Tensormetoder har antagits framgångsrikt av industrin tidigare, med kemometri och livsmedelskvalitet som utmärkta exempel, och varje försök som vårt arbete visar mångsidigheten hos tensormetoder för att kunna hantera ett så brett spektrum av utmanande problem inom olika domäner," sa Papalexakis.
Uppsatsen "Tensor-baserad kompletterande produktrekommendation" presenterades vid IEEE Big Data 2021.
