Recommendersüsteemid

Recommender-süsteemid on tarkvara või teenused, mis püüavad anda kasutajale asjakohaseid soovitusi toote, sisu või tegevuse valimisel. Need tuginevad kasutaja käitumise ja sisu omaduste analüüsile ning tuginevad ajalooliste interaktsioonide andmetele mudelite treenimiseks. Recommenderid on laialdaselt kasutusel e-kaubanduses, voogedastusteenustes, uudisteportaalides ja sotsiaalvõrgustikes.

Peamised lähenemisviisid on sisupõhine filter (content-based), koostööpõhine filter (collaborative filtering) ja hübriidsed süsteemid. Sisupõhised mudelid kasutavad sisu omadusi (nt kirjeldused, žanrid, märksõnad), et leida sarnaseid objekte, mida kasutaja on varem hindanud. Koostööpõhised filtrid kasutavad kasutajate ja/või esemete vahelist kohta interaktsioonipõhist korraldust, sageli läbi lähim-naabri või faktoreerimise meetodite. Hübriidsed süsteemid kombineerivad neid lähenemisi, et parandada täpsust ja vähendada puudujääke.

Andmed jagunevad eksplitlikud tagasiside (explicit) ja vaikimisi interaktsioonid (implicit), nagu klikid, vaatamised, ostud. Täpsemate soovituste jaoks kasutatakse ka tooteomadusi ja metaandmeid. Levinud algoritmid hõlmavad koostööpõhist filtrit, matriisi faktoreerimist (SVD, ALS), naabritepõhiseid meetodeid ja sügavaid õppemudeleid.

Olulised väljakutsed on külm algus (uute kasutajate või eseme puudumine), andmepuudulikkus ja hajuvus, skaleeruvus, kasutaja privaatsus ning läbipaistvus. Hübriidsed ja aktiivsed õppemeetodid võivad neid probleeme leevendada, eelistada kontekstipõhiseid signaale ja kasutada vaheisinfo. Hindamismeetodid hõlmavad erinevaid meterikaid nagu täpsus, relevantsus, NDCG või MAE ning katse- ja kontrollgruppide A/B-testid.

Recommender-süsteemid mängivad olulist rolli veebis kasutajate kogemuses, võimaldades kiiresti leida sobiv sisu ja tooteid. Nende disain on järjest enam suunatud mitmekesisele tagasisidele, erituvusele ja läbipaistvusele, et suurendada kasutajate rahulolu ja äri tulemusi.