Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
تقترح هذه الورقة مهمة جديدة لتفسيرات ترتيب العناصر الثنائية القائمة على منطق خوارزمية التوصية، وذلك باستخدام التعلم المضاد للواقع لتحديد عناصر ملف تعريف المستخدم المحددة التي تحدد سبب ترتيب عنصر ما في مرتبة أعلى من عنصر آخر.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
نحن نعيش في عصر تقترح فيه الآلات باستمرار ما ينبغي لنا مشاهدته، أو قراءته، أو شراؤه. لعقود من الزمن، ركز الباحثون على الإجابة على سؤال بسيط: "لماذا اقترح عليّ النظام هذا الفيلم تحديداً؟". لقد طوروا طرقاً لتفسير هذا الخيار المنفرد، غالباً عبر الإشارة إلى ميزة يفضلها المستخدم، مثل ممثل مفضل أو نوع سينمائي معين. ومع ذلك، فإن اتخاذ القرار البشري نادراً ما يحدث في فراغ. فعندما نختار خياراً على آخر، فإننا غالباً ما نقوم بمقارنتهما جنباً إلى جنب؛ حيث نتساءل: "لماذا اخترت هذا الفيلم بدلاً من ذاك؟". هذا السؤال المقارن جوهري في كيفية فهمنا لتفضيلاتنا، ومع ذلك فقد نال اهتماماً أقل بكثير من قبل مصممي أنظمة التوصية. إن فهم الفرق بين خيارين غالباً ما يكون أكثر كشفاً من فهم خيار واحد بمعزل عن غيره، لأنه يسلط الضوء على العوامل المحددة التي رجحت كفة أحدهما على الآخر.
لقد وضع فريق من الباحثين حداً لهذه المشكلة عبر تطوير طريقة جديدة لتفسير سبب تصنيف نظام توصية لمنتج ما في مرتبة أعلى من منتج آخر. وقد نهجوا هذه المهمة من خلال طرح سؤال "ماذا لو": ماذا يجب أن يتغير في سجل الشخص لكي يقوم النظام بتبديل ترتيب هذين المنتجين؟ هذه الطريقة، المعروفة باسم الاستدلال المضاد للواقع (counterfactual reasoning)، تبحث عن الحد الأدنى من التغييرات اللازمة لعكس القرار. وفي سياق توصية بالأفلام، أراد الباحثون تحديد الأفلام المحددة التي شاهدها المستخدم سابقاً والتي جعلت النظام يفضل فيلماً من كلاسيكيات الخيال العلمي على ملحمة تاريخية. فإذا تمت إزالة تلك المشاهدات الماضية المحددة من سجل المستخدم، فمن المفترض نظرياً أن يوصي النظام بالملحمة التاريخية أولاً. كان الهدف هو العثور على أصغر وأدق مجموعة من العناصر الماضية التي، إذا مُحيت، ستؤدي إلى قلب الترتيب.
ولاختبار هذه الفكرة، بنى الباحثون نموذجاً حاسوبياً جديداً صُمم ليعمل كمفسر. وقد قاموا بتدريب هذا النموذج على ثلاث مجموعات ضخمة من بيانات المستخدمين: إحداها تحتوي على أكثر من نصف مليون تقييم للأفلام، وأخرى لتفضيلات الموسيقى، وثالثة لنشاط "التثبيت" (pinning). واختبروا نهجهم مقابل عدة أساليب قائمة، بما في ذلك التقنيات التي تفسر العناصر الفردية أو تلك التي تحاول مقارنة العناصر من خلال النظر في سماتها العامة. ووجد الباحثون أن طريقتهم الجديدة، التي تعلمت كيفية النظر إلى العنصر المستهدف والعنصر المنافس في آن واحد، كانت أكثر فعالية بكثير. فقد استطاعت تحديد العناصر الماضية المحددة المسؤولة عن فرق الترتيب بدقة أكبر وباستخدام عناصر أقل مقارنة بالأساليب الأخرى. وفي كثير من الحالات، استطاع النموذج الجديد تفسير تفضيل العنصر الأعلى على العنصر الثاني لأكثر من 80 بالمائة من المستخدمين في مجموعات الاختبار الخاصة بهم، وغالباً ما تطلب الأمر إزالة عدد صغير فقط من التفاعلات الماضية لتحقيق عملية التبديل.
كما كشونت الدراسة أن جودة هذه التفسيرات تعتمد بشكل كبير على نوع نظام التوصية المستخدم. فعندما كان النظام الأساسي يعتمد على طريقة تتعلم الأنماط الخفية في سلوك المستخدم، كان المفسر الجديد يعمل بشكل استثنائي. ومع ذلك، لاحظ الباحثون تعقيداً يتعلق بالعناصر الشائعة؛ ففي بعض الأحيان، تكون الطريقة الأكثر فعالية لتغيير الترتيب هي إزالة أفلام أو أغانٍ مشهورة للغاية شاهدها الجميع تقريباً. ورغم أن هذا صحيح من الناحية الرياضية، إلا أن الباحثين اشتبهوا في أنه قد لا يكون تفسيراً مفيداً لشخص حقيقي. فإخبار المستخدم: "لقد حصلت على هذا الفيلم لأنك شاهدت حرب النجوم وتيتانيك"، قد يبدو أمراً بديهياً أو غير مفيد، كونها عناصر شاهدها الجميع تقريباً. ولاختبار ذلك، قاموا بتشغيل نسخة من نموذجهم تتجاهل العناصر الأكثر شهرة. هذه النسخة استطاعت الاستمرار في إيجاد التفسيرات، لكنها عملت مع عدد أقل من الناس، مما يشير إلى أن العناصر الشائعة تلعب دوراً هاماً في كيفية اتخاذ هذه الأنظمة للقرارات، حتى وإن لم تكن الجزء الأكثر إثارة للاهتمام في القصة.
وخلص الباحثون إلى أن نهجهم ينجح في توليد تفسيرات مقارنة دقيقة وموجزة في آن واحد. لقد أظهروا أنه من خلال تدريب نموذج على النظر في عنصرين معاً، بدلاً من عنصر واحد في كل مرة، يمكنهم كشف الأسباب المحددة لفرق الترتيب. وتشير النتائج إلى أن هذه الطريقة تعد وسيلة قابلة للتطبيق لجعل أنظمة التوصية أكثر شفافية، مما يسمح للمستخدمين برؤية ليس فقط لماذا تلقوا اقتراحاً ما، بل لماذا تلقوا اقتراحاً معيناً بدلاً من اقتراح آخر. وبينما يركز العمل الحالي على القدرة التقنية لتوليد هذه التفسيرات، أشار الباحثون إلى أن الخطوة التالية هي معرفة ما إذا كان الناس يجدون هذه التفسيرات مفيدة وسهلة الفهم حقاً. وهم يخططون لإجراء دراسات مع مستخدمين بشريين لتحديد ما إذا كانت سيناريوهات "ماذا لو" هذه تساعد الناس على فهم الخيارات التي تتخذها الآلات من أجلهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.