Kan du lide jordnøddesmør? Denne algoritme har en anelse om, hvad du vil købe næste

Anbefalingsalgoritmer kan gøre en kundes online shoppingoplevelse hurtigere og mere effektiv ved at foreslå komplementære produkter, hver gang den shopper føjer et produkt til deres indkøbskurv. Købte kunden jordnøddesmør? Algoritmen anbefaler flere mærker af gelé at tilføje næste.

Disse algoritmer fungerer typisk ved at forbinde købte varer med varer, som andre shoppere ofte har købt sammen med dem. Hvis shopperens vaner, smag eller interesser meget ligner tidligere kunders, kan sådanne anbefalinger spare tid, rykke hukommelsen og være en velkommen tilføjelse til shoppingoplevelsen.

Men hvad nu hvis shopperen køber jordnøddesmør for at fylde et hundelegetøj eller lokke en musefælde? Hvad hvis shopperen foretrækker honning eller bananer med deres jordnøddesmør? Anbefalingsalgoritmen vil give mindre nyttige forslag, koste forhandleren et salg og potentielt irritere kunden.

Ny forskning ledet af Negin Entezari, som for nylig modtog en doktorgrad i datalogi ved UC Riverside, Instacart-samarbejdspartnere og hendes doktorgradsrådgiver Vagelis Papalexakis, bringer en metode kaldet tensor-nedbrydning - brugt af videnskabsmænd til at finde mønstre i enorme mængder af data - ind i handelsverdenen til at anbefale komplementære produkter mere omhyggeligt skræddersyet til kundernes præferencer.

Tensorer kan afbildes som multi-dimensionelle terninger og bruges til at modellere og analysere data med mange forskellige komponenter, kaldet multi-aspect data. Data tæt relateret til andre data kan forbindes i et terningarrangement og relateres til andre kuber for at afdække mønstre i dataene.

"Tensorer kan bruges til at repræsentere kundernes indkøbsadfærd," sagde Entezari. "Hver tilstand af en 3-modes tensor kan fange ét aspekt af en transaktion. Kunder danner én tilstand af tensoren, og den anden og tredje tilstand fanger produkt-til-produkt-interaktioner ved at overveje produkter, der er købt sammen i en enkelt transaktion."

For eksempel foretager tre hypotetiske kunder – A, B og C – følgende køb:

• Sv.:Køber hotdogs, pølseboller, cola og sennep i én transaktion.
• B:Udfører tre separate transaktioner:Kurv 1:Pølser og pølseboller; Kurv 2:Cola; Kurv 3:Sennep
• C:Hotdogs, pølseboller og sennep i én transaktion.

Til en konventionel matrix-baseret algoritme er kunde A identisk med kunde B, fordi de købte de samme varer. Ved at bruge tensordekomponering er Kunde A imidlertid tættere relateret til Kunde C, fordi deres adfærd var ens. Begge havde lignende produkter købt sammen i en enkelt transaktion, selvom deres indkøb var lidt forskellige.

Den typiske anbefalingsalgoritme laver forudsigelser baseret på den vare, kunden lige har købt, mens tensordekomponering kan komme med anbefalinger baseret på, hvad der allerede er i brugerens hele kurv. Så hvis en shopper har hundemad og jordnøddesmør i deres kurv, men ikke brød, kan en tensor-baseret anbefalingsalgoritme foreslå et fyldbart tyggelegetøj i stedet for gelé, hvis andre brugere også har foretaget dette køb.

"Tensorer er multidimensionelle strukturer, der tillader modellering af komplekse, heterogene data," sagde Papalexakis, en lektor i datalogi og teknik. "I stedet for blot at lægge mærke til, hvilke produkter der er købt sammen, er der en tredje dimension. Disse produkter købes af denne type bruger, og algoritmen forsøger at bestemme, hvilke typer brugere der skaber dette match."

For at teste deres metode brugte Entezari, Papalexakis og medforfatterne Haixun Wang, Sharath Rao og Shishir Kumar Prasad, alle forskere for Instacart, et offentligt Instacart-datasæt til at træne deres algoritme. De fandt ud af, at deres metode overgik state-of-the-art metoder til at forudsige kundespecifikke komplementære produktanbefalinger. Selvom der er behov for mere arbejde, konkluderer forfatterne, at big data tensor-nedbrydning i sidste ende også kan finde et hjem i big business.

"Tensormetoder er, selvom meget kraftfulde værktøjer, stadig mere populære i akademisk forskning, hvad angår anbefalingssystemer," sagde Papalexakis. "For at industrien kan adoptere dem, må vi vise, at det er umagen værd og relativt smertefrit at erstatte det, de har, som allerede virker."

Mens tidligere forskning har vist fordelene ved tensormodellering i anbefalingsproblemer, er den nye publikation den første til at gøre det i forbindelse med supplerende vareanbefaling, hvilket bringer tensormetoder tættere på industriel indførelse og teknologioverførsel i forbindelse med anbefalingssystemer.

"Tensormetoder er blevet vedtaget med succes af industrien før, hvor kemometri og fødevarekvalitet er gode eksempler, og hvert forsøg som vores arbejde viser alsidigheden af ​​tensormetoder i at være i stand til at tackle en så bred vifte af udfordrende problemer på forskellige domæner," sagde Papalexakis.

Papiret, "Tensor-baseret komplementær produktanbefaling," blev præsenteret på IEEE Big Data 2021.