Suositusalgoritmit

Suositusalgoritmit ovat järjestelmiä, jotka pyrkivät ehdottamaan käyttäjille mahdollisimman relevantteja sisältöjä, tuotteita tai toimintoja. Ne hyödyntävät sekä käyttäjien aiempaa toimintaa että kohteiden ominaisuuksia sekä kontekstuaalisia tekijöitä, kuten sesonkiaikaa tai sijaintia.

Pääasiallisia lähestymistapoja ovat yhteistyöperusteinen suodatus (collaborative filtering), sisällön perusteella suositukset (content-based) sekä näiden hybridi. Yhteistyöperusteiset menetelmät hyödyntävät vuorovaikutuksia käyttäjien ja kohteiden välillä, kun taas sisällön perusteella mallit huomioivat kohteiden piirteet, kuten kategoriat ja ominaisuudet. Hybridi yhdistää näitä lähestymistapoja parantaakseen kattavuutta ja tarkkuutta.

Dataa kerätään sekä eksplisiittisestä palautteesta (esim. arvostelut, tähdet) että epäspesifisestä palautteesta (klikkaukset, katselukerrat, ostot). Tiedot ovat usein harvassa ja kasvavat nopeasti, mikä aiheuttaa kylmästartti- ja sparsity-ongelmia sekä yksityisyyteen ja oikeudenmukaisuuteen liittyviä haasteita sekä mahdollisia vääristymiä.

Tekniikat vaihtelevat matriisifaktorisoinnista (esim. SVD, ALS) sekä perinteisiin ja syväoppimis- sekä graafisiin malleihin. Usein mallit koulutetaan offline-tilassa suurissa datamäärissä, ja tuotantoon siirrytään online-inferenssilla; reaaliaikaiset päivitykset ja A/B-testaus ovat yleisiä käytäntöjä.

Sovelluskohteita ovat verkkokaupat, suoratoistopalvelut, uutis- ja sosiaalisen median alustat. Haasteita ovat yksityisyyden suoja, oikeudenmukaisuus, läpinäkyvyys sekä palautteen monipuolisuuden ja käyttäjätyytyväisyyden tasapainottaminen.