CoRCi: Cross-Reconstruction of Coherent Interests Modeling in Cross-Domain Sequential Recommendation
CoRCi एक नवीन क्रॉस-डोमेन अनुक्रमिक अनुशंसा ढांचा (cross-domain sequential recommendation framework) है जो मिश्रित-डोमेन प्रतिनिधित्व उत्पन्न करने के लिए एक क्रॉस-पुनर्निर्माण तंत्र (cross-reconstruction mechanism) और डोमेन-अपरिवर्तनीय संरेखण (domain-invariant alignment) को मजबूत करने के लिए एक फोकलNCE लॉस फंक्शन (FocalNCE loss function) का उपयोग करके डेटा की विरलता (data sparsity) और रुचि सुसंगतता (interest coherence) संबंधी मुद्दों का समाधान करता है, जिससे यह अत्याधुनिक तरीकों (state-of-the-art methods) से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि आपका दोस्त आगे क्या खाना चाहता है। यदि आप केवल यह जानते हैं कि उसे पिज्जा पसंद है, तो आप और अधिक पिज्जा का सुझाव दे सकते हैं। लेकिन क्या होगा यदि आप यह भी जानते हैं कि उसने अभी-अभी एक शानदार कॉफी मेकर और कुछ प्रीमियम बीन्स खरीदे हैं? अचानक, आपको एहसास होता है कि वह केवल एक "पिज्जा प्रेमी" नहीं है; वह एक "फूडी" (foodie) है जिसके पास उच्च गुणवत्ता वाली सामग्री के लिए एक विशिष्ट, विकसित होती पसंद है, चाहे वह इतालवी हो या इतालवी-प्रेरित कॉफी। यह रेकमेंडर सिस्टम्स (Recommender Systems) का सार है: वे डिजिटल मैचमेकर जो यह अनुमान लगाने की कोशिश करते हैं कि आपने पहले जो किया है उसके आधार पर आप आगे क्या पसंद करेंगे।
आमतौर पर, ये सिस्टम अलग-अलग खानों (silos) में काम करते हैं। एक मूवी ऐप केवल आपके मूवी इतिहास को जानता है, और एक ग्रोसरी ऐप केवल आपके भोजन के इतिहास को जानता है। लेकिन लोग जटिल होते; हम श्रेणियों के बीच कूदते रहते हैं। हम एक ग्रिल पैन खरीदते हैं, फिर कॉफी का एक बैग, फिर एक स्नैक। हमारी रुचियां इन सीमाओं के पार बहती हैं। वैज्ञानिक जिस चुनौती का सामना कर रहे हैं वह है क्रॉस-डोमेन सीक्वेंशियल रेकमेंडेशन (Cross-Domain Sequential Recommendation)। यह आपके "किचन" जीवन और आपके "फूड" जीवन के बीच के बिंदुओं को जोड़ने की कला है ताकि आपकी वास्तविक, विकसित होती पसंद को समझा जा सके। बड़ा सवाल यह है: हम कंप्यूटर को यह कैसे सिखाएं कि एक ग्रिल पैन और कॉफी का एक बैग एक ही कहानी का हिस्सा हैं, बिना अलग-अलग प्रकार की वस्तुओं के कारण भ्रमित हुए?
यहीं पर एक नया पेपर CoRCi (जो Coherent Interests के Cross-Reconstruction का संक्षिप्त रूप है) काम आता है। शोधकर्ताओं के एक समूह ने, जो सिंगापुर और चीन के विश्वविद्यालयों से हैं, देखा कि इन विभिन्न "दुनियाओं" को जोड़ने के पिछले प्रयास थोड़े अनाड़ी थे। वे दो अलग-अलग कपड़ों को केवल उनके किनारों को चिपकाकर जोड़ने की कोशिश करने जैसे थे; कपड़े के अंदर का पैटर्न विकृत हो जाता था।
लेखक तर्क देते हैं कि पुराने तरीके से काम करने का अर्थ है कि आपका "किचन" इतिहास और आपका "फूड" इतिहास दो अलग-अलग कहानियाँ हैं जो बस एक ही समय में सुनाई जा रही हैं। उन्होंने पाया कि जब आप इन मिश्रित कहानियों से सीखने के लिए कंप्यूटर को मजबूर करते हैं, तो वह भ्रमित हो जाता है। वह डोमेन के बीच के अंतर (जैसे "यह एक पैन है" बनाम "यह कॉफी है") को उन समानताओं (जैसे "मैं एक स्वस्थ भोजन बना रहा हूँ") की तुलना में अधिक महत्वपूर्ण समझने लगता है जो वास्तव में मायने रखते हैं। इसके कारण कंप्यूटर आपकी रुचियों की "सुसंगतता" (coherence) खो देता है—यानी विभिन्न विषयों के बीच आपकी व्यक्तित्व की एक सहज, तार्किक प्रवाह।
इसे ठीक करने के लिए, CoRCi एक चतुर दो-चरणीय प्रक्रिया पेश करता है। सबसे पहले, इस मिश्रित कहानी को समझने के लिए शून्य से एक नया मस्तिष्क बनाने के बजाय, यह उस "मस्तिष्क" का उपयोग करता है जिसे इसने पहले से ही विशिष्ट कहानियों (केवल किचन वाला मस्तिष्क और केवल फूड वाला मस्तिष्क) के लिए बनाया है और एक विशेष पुल का उपयोग करता है जिसे क्रॉस-रिकंस्ट्रक्शन (Cross-Reconstruction) कहा जाता है। कल्पना कीजिए कि आपके पास दो अनुवादक हैं जो अलग-अलग भाषाओं को पूरी तरह से समझते हैं। उन्हें शून्य से एक तीसरी, मिश्रित भाषा सीखने के लिए मजबूर करने के बजाय, आप उन्हें एक साझा समझ बनाने के लिए एक-दूसरे से बात करने देते हैं जो वे दोनों कहानी सुना रहे हैं। CoRCi इस "क्रॉस-अटेंशन" का उपयोग करके विशिष्ट विवरणों को आपकी रुचियों की एक एकीकृत, सुसंगत तस्वीर में मिलाने के लिए करता है।
दूसरा, यह पेपर एक नया स्कोरिंग नियम पेश करता है जिसे FocalNCE कहा जाता है। इसे एक सख्त शिक्षक के रूप में सोचें जो जानता है कि छात्र अक्सर उन चीजों के साथ गलतियाँ करते हैं जो बहुत समान दिखती हैं। सिफारिशों की दुनिया में, एक ही श्रेणी के आइटम (जैसे कॉफी के दो अलग-अलग प्रकार) बहुत समान होते हैं, इसलिए एक कंप्यूटर एक को दूसरे के कारण प्राथमिकता दे सकता है। FocalNCE कंप्यूटर को उन वस्तुओं के लिए अधिक कड़ी सजा देता है जो एक ही श्रेणी से हैं, जिससे वह उन अनूठे, क्रॉस-डोमेन कनेक्शनों पर अधिक ध्यान देने के लिए मजबूर होता है जो वास्तव में मायने रखते हैं। यह कंप्यूटर को यह कहने जैसा है, "सिर्फ इसलिए कॉफी मत चुनो क्योंकि यह दूसरी कॉफी की तरह दिखती है; इसे इसलिए चुनो क्योंकि यह तुम्हारे कुकिंग एडवेंचर की पूरी कहानी में फिट बैठती है।"
शोधकर्ताओं ने चार वास्तविक दुनिया के डेटासेट्स पर इस विचार का परीक्षण किया, जिसमें अमेज़न (जिसमें भोजन, किचनवेयर, सौंदर्य उत्पाद और इलेक्ट्रॉनिक्स शामिल हैं) और Douban (मूवी, किताबें और संगीत) से समीक्षाओं के विशाल संग्रह शामिल हैं। उन्होंने पाया कि CoRCi लगातार मौजूदा सर्वोत्तम तरीकों को पछाड़ देता है। वास्तव में, Amazon Food-Kitchen डेटासेट पर, इसने पिछले चैंपियनों की तुलना में अगले आइटम की भविष्यवाणी करने की क्षमता में लगभग 5% से 11% का सुधार किया। Beauty-Electronics डेटासेट पर, लाभ और भी प्रभावशाली था, जो 11% तक पहुँच गया।
पेपर ने यह साबित करने के लिए कि उनका तरीका क्यों काम करता है, कुछ "क्या होगा अगर" वाले प्रयोग भी चलाए। उन्होंने विशेष पुल (Cross-Reconstruction) या सख्त शिक्षक (FocalNCE) को हटाने का प्रयास किया, और प्रदर्शन गिर गया। उन्होंने इसका परीक्षण तीन डोमेन (मूवी, बुक और म्यूजिक) वाले डेटासेट पर भी किया जहाँ उपयोगकर्ताओं ने अनिवार्य रूप से तीनों के साथ इंटरैक्शन नहीं किया था, और फिर भी CoRCi जीत गया।
संक्षेप में, पेपर सुझाव देता है कि आपकी अगली पसंद को वास्तव में समझने के लिए, हमें केवल उनके विभिन्न इतिहासों को एक साथ मिला देने और उम्मीद करने की ज़रूरत नहीं है। इसके बजाय, हमें अपनी रुचियों को सुसंगत बनाए रखने के लिए उन्हें सावधानीपूर्वक पुनर्गठित (reconstruct) करना चाहिए, और स्मार्ट स्कोरिंग नियमों का उपयोग करना चाहिए ताकि कंप्यूटर आपके जीवन के विभिन्न हिस्सों के बीच के अनूठे कनेक्शनों पर ध्यान केंद्रित कर सके। यह हमारे डिजिटल सहायकों को एक कठोर डेटाबेस के बजाय एक ऐसे मित्र जैसा महसूस कराने की दिशा में एक छोटा लेकिन महत्वपूर्ण कदम है जो वास्तव में हमें "समझता" है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।