suosittelujärjestelmiä

Suosittelujärjestelmät ovat tietojärjestelmiä, joiden tehtävänä on ehdottaa käyttäjälle relevantteja tuotteita, sisältöjä tai toimintoja perustuen käyttäjä- ja kohdetietoihin sekä aikaisempiin vuorovaikutuksiin. Niiden tarkoituksena on parantaa käyttökokemusta, sitoutuneisuutta ja konversioita.

Tyypillisiä lähestymistapoja ovat: sisältöpohjainen suositus, jossa käyttäjän mieltymykset mallinnetaan kohteiden ominaisuuksien avulla; yhteistyöhakupohjainen suositus, jossa suositukset määräytyvät muiden käyttäjien toiminnan perusteella; sekä hybridejä, jotka yhdistävät useita menetelmiä.

Järjestelmät käyttävät sekä eksplisiittistä palautetta (arviot, tähtiluokitukset) että implisiittistä palautetta (klikkaukset, katselukerrat, ostot). Datan sparsity ja kylmä alku sekä suurten datamassojen käsittely ovat tyypillisiä haasteita.

Yleisimmät algoritmit ovat matriisifaktorisointi (esim. SVD), k-lähimmän naapurin menetelmät, tekijäfaktorit sekä syvät mallit. Hybrideilla ratkaisuilla voidaan yhdistää sekä sisällön että käyttäjä- ja kohdeominaisuudet.

Arviointi tehdään sekä offline- että online-tilassa: mittareita kuten RMSE ja MAE sekä tarkkuus, recall, precision@k ja MAP@k. A/B-testaus mittaa käytännön vaikutusta.

Keskeisiä haasteita ovat kylmä alku, sparsity, skaalautuvuus, suosiminen kohtuuttomasti suosituimpiin kohteisiin sekä yksityisyys, vääristymät ja oikeudenmukaisuus.

Sovelluskohteita ovat verkkokaupat, streaming-palvelut, uutis- ja sosiaalisen median syötöt sekä mobiili- ja verkkopalvelut, joissa personointi parantaa käyttöä ja löydettävyyttä. Kehityksen taustalla ovat 1990-luvun lopun–2000-luvun tutkimus ja teolliset sovellukset sekä Netflix-kilpailu, joka edisti matriisifaktorisointiin perustuvia menetelmiä. Nykyisin syvät mallit sekä hybridit yleistyvät.