Suositusmekanismeja

Suositusmekanismeja tarkoitetaan järjestelmiä, jotka pyrkivät tarjoamaan käyttäjälle sopivia sisältö- tai tuotesehdotuksia. Ne perustuvat käyttäjän aiempaan toimintaan, mieltymyksiin sekä kontekstiin.

Yleisiä lähestymistapoja ovat sisältöpohjaiset suositukset, joissa ehdotukset perustuvat käyttäjän aiemmin katsottuun tai arvostelemaan sisältöön ja sen ominaisuuksiin. Kollaboratiiviset suositukset puolestaan perustuvat käyttäjien toiminnan samankaltaisuuteen ja muiden käyttäjien antamaan palautteeseen. Hybridimetodit yhdistävät näitä lähestymistapoja tavoitteena parantaa kattavuutta ja tarkkuutta.

Suositukset perustuvat erilaisiin datalähteisiin: eksplisiittinen palaute kuten arvostelut ja tähditykset sekä implisiittinen palaute kuten klikkaukset, katseluaika ja ostot. Haasteita ovat erityisesti kylmä alku (cold start) ja tiedon harvalukuisuus (sparsity).

Algoritmiasteikkoina käytetään muun muassa lähimpien naapurien menetelmiä, matriisien faktorisointia (esim. SVD, ALS), sekä syväoppimiseen perustuvia malleja kuten neural collaborative filtering ja autoenkooderit. Myös kontekstuaaliset ja sekvenssiperusteiset mallit voivat hyödyntää käyttäjän tilanne- ja ajankonteksta.

Arviointi tehdään sekä offline-mittareilla kuten tarkkuus, relevanssi ja NDCG että online-testeissä kuten A/B-testaus ja muut kokeelliset menetelmät. Tavoitteena on sekä relevanttien että yllätyksellisten suositusten tasapaino.

Käyttökohteita ovat erityisesti verkkokaupat, musiikki- ja videoalustat, uutis- ja sosiaalisen median palvelut sekä rekrytointi- ja suosittelujärjestelmät.

Keskeisiä kysymyksiä ovat yksityisyys, läpinäkyvyys ja oikeudenmukaisuus. Suositusmekanismien suunnittelussa pyritään myös estämään vinoumia ja parantamaan monipuolisuutta sekä käyttäjän hallintaa.