Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
यह शोध पत्र अनुशंसा एल्गोरिदम तर्क पर आधारित युग्म-आइटम रैंकिंग स्पष्टीकरणों के लिए एक नया कार्य प्रस्तावित करता है, जो यह पहचानने के लिए काउंटरफैक्चुअल लर्निंग का उपयोग करता है कि विशिष्ट उपयोगकर्ता प्रोफ़ाइल आइटम किस प्रकार यह निर्धारित करते हैं कि एक आइटम को दूसरे की तुलना में उच्च रैंक क्यों दी गई 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
हम एक ऐसे युग में रह रहे हैं जहाँ मशीनें लगातार हमें सुझाव देती रहती हैं कि हमें क्या देखना चाहिए, क्या पढ़ना चाहिए या क्या खरीदना चाहिए। दशकों से, शोधकर्ता एक सरल प्रश्न का उत्तर देने पर ध्यान केंद्रित कर रहे हैं: "सिस्टम ने मुझे यह विशिष्ट फिल्म क्यों सुझाई?" उन्होंने उस एकल विकल्प की व्याख्या करने के तरीके विकसित किए हैं, जो अक्सर उपयोगकर्ता की किसी पसंदीदा विशेषता, जैसे कि पसंदीदा अभिनेता या पसंदीदा शैली की ओर संकेत करते हैं। हालाँकि, मानवीय निर्णय लेने की प्रक्रिया शायद ही कभी शून्य में होती है। जब हम एक विकल्प के बजाय दूसरे को चुनते हैं, तो हम अक्सर उनकी आपस में तुलना कर रहे होते हैं। हम पूछते हैं, "मैंने उस फिल्म के बजाय यह फिल्म क्यों चुनी?" यह तुलनात्मक प्रश्न यह समझने के लिए मौलिक है कि हम अपनी पसंद को कैसे समझते हैं, फिर भी इसने अनुशंसा प्रणालियों (recommendation systems) के डिजाइनरों से बहुत कम ध्यान प्राप्त किया है। दो विकल्पों के बीच के अंतर को समझना अक्सर एक अकेले विकल्प को समझने की तुलना में अधिक प्रकट करने वाला होता है, क्योंकि यह उन विशिष्ट कारकों को उजागर करता है जिन्होंने तराजू को झुका दिया।
शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया तरीका विकसित करके इस समस्या को सुलझाने का प्रयास किया कि कोई अनुशंसा प्रणाली एक वस्तु को दूसरी की तुलना में उच्च स्थान क्यों देती है। उन्होंने इस कार्य को एक "क्या होगा यदि" प्रश्न पूछकर आगे बढ़ाया: किसी व्यक्ति के इतिहास में क्या परिवर्तन करना होगा ताकि सिस्टम इन दो वस्तुओं के क्रम को बदल सके? यह विधि, जिसे 'काउंटरफैक्चुअल रीजनिंग' (counterfactual reasoning) कहा जाता है, परिवर्तनों के न्यूनतम सेट की तलाश करती है जो निर्णय को उलट सके। मूवी रिकमेंडेशन के संदर्भ में, शोधकर्ता उन विशिष्ट फिल्मों की पहचान करना चाहते थे जिन्हें उपयोगकर्ता ने पहले देखा था, जिसके कारण सिस्टम ने एक साइंस फिक्शन क्लासिक को ऐतिहासिक महाकाव्य (historical epic) पर प्राथमिकता दी। यदि उन विशिष्ट पिछली फिल्मों को उपयोगकर्ता के इतिहास से हटा दिया जाता, तो सिस्टम सैद्धांतिक रूप से ऐतिहासिक महाकाव्य को पहले सुझाता। लक्ष्य पिछले आइटम्स के सबसे छोटे, सबसे सटीक समूह को खोजना था, जिसे यदि मिटा दिया जाए, तो रैंकिंग को पलट दे।
इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक नए प्रकार का कंप्यूटर मॉडल बनाया जिसे एक 'एक्सप्लेनर' (व्याख्या करने वाला) के रूप में कार्य करने के लिए डिज़ाइन किया गया था। उन्होंने इस मॉडल को तीन बड़े उपयोगकर्ता डेटा संग्रहों पर प्रशिक्षित किया: एक जिसमें पाँच लाख से अधिक मूवी रेटिंग थी, दूसरा संगीत प्राथमिकताओं के साथ, और तीसरा पिनिंग गतिविधि के साथ। उन्होंने अपने दृष्टिकोण का परीक्षण कई मौजूदा विधियों के विरुद्ध किया, जिनमें वे तकनीकें शामिल थीं जो एकल वस्तुओं की व्याख्या करती हैं या जो सामान्य विशेषताओं को देखकर वस्तुओं की तुलना करने का प्रयास करती हैं। शोधकर्ताओं ने पाया कि उनकी नई विधि, जिसने लक्षित वस्तु और प्रतिस्पर्धी वस्तु को एक साथ देखने के लिए सीखा, कहीं अधिक प्रभावी थी। यह अन्य विधियों की तुलना में अधिक सटीकता के साथ और कम आइटम्स का उपयोग करके उन विशिष्ट पिछले आइटम्स की पहचान कर सकती थी जो रैंकिंग के अंतर के लिए जिम्मेदार थे। कई मामलों में, नया मॉडल परीक्षण समूहों के 80 प्रतिशत से अधिक उपयोगकर्ताओं के लिए शीर्ष वस्तु बनाम दूसरी वस्तु की प्राथमिकता की व्याख्या कर सका, जिसमें अक्सर स्वैप (क्रम बदलने) के लिए पिछले इंटरैक्शन की केवल एक छोटी संख्या को हटाना आवश्यक था।
अध्ययन ने यह भी खुलासा किया कि इन स्पष्टीकरणों की गुणवत्ता इस बात पर बहुत अधिक निर्भर करती है कि किस प्रकार की अनुशंसा प्रणाली का उपयोग किया जा रहा है। जब अंतर्निहित प्रणाली उस पद्धति पर आधारित थी जो उपयोगकर्ता के व्यवहार में छिपे हुए पैटर्न को सीखती है, तो नया 'एक्सप्लेनर' असाधारण रूप से अच्छा प्रदर्शन करता था। हालाँकि, शोधकर्ताओं ने लोकप्रिय वस्तुओं से जुड़ी एक जटिलता पर ध्यान दिया। कभी-कभी, रैंकिंग को बदलने का सबसे प्रभावी तरीका उन अत्यंत प्रसिद्ध फिल्मों या गानों को हटाना होता था जिन्हें लगभग हर किसी ने देखा है। हालांकि यह गणितीय रूप से सही है, शोधकर्ताओं को संदेह था कि यह एक वास्तविक व्यक्ति के लिए सहायक स्पष्टीकरण नहीं हो सकता है। उपयोगकर्ता को यह बताना कि, "आपको यह फिल्म इसलिए मिली क्योंकि आपने स्टार वॉर्स और टाइटैनिक देखा था," स्पष्ट या अनुपयोगी लग सकता है, क्योंकि वे वे वस्तुएं हैं जिन्हें लगभग सभी ने देखा है। इसका परीक्षण करने के लिए, उन्होंने अपने मॉडल का एक संस्करण चलाया जिसने सबसे लोकप्रिय वस्तुओं को अनदेखा कर दिया। यह संस्करण अभी भी स्पष्टीकरण खोज सकता था, लेकिन यह कम लोगों के लिए काम कर सका, जिससे पता चलता है कि लोकप्रिय वस्तुएं इन प्रणालियों द्वारा निर्णय लेने में महत्वपूर्ण भूमिका निभाती हैं, भले ही वे कहानी का सबसे दिलचस्प हिस्सा न हों।
शोधकर्ताओं ने निष्कर्ष निकाला कि उनका दृष्टिकोण ऐसे तुलनात्मक स्पष्टीकरण उत्पन्न करने में सफल है जो सटीक और संक्षिप्त दोनों हैं। उन्होंने दिखाया कि एक समय में एक वस्तु के बजाय, दो वस्तुओं को एक साथ देखने के लिए मॉडल को प्रशिक्षित करके, वे रैंकिंग अंतर के विशिष्ट कारणों को उजागर कर सकते हैं। परिणाम बताते हैं कि यह विधि अनुशंसा प्रणालियों को अधिक पारदर्शी बनाने का एक व्यवहार्य तरीका है, जिससे उपयोगकर्ता न केवल यह देख सकते हैं कि उन्हें एक सुझाव क्यों मिला, बल्कि यह भी कि उन्हें एक सुझाव के बजाय दूसरा सुझाव क्यों मिला। जबकि वर्तमान कार्य इन स्पष्टीकरणों को उत्पन्न करने की तकनीकी क्षमता पर केंद्रित है, शोधकर्ताओं ने उल्लेख किया कि अगला कदम यह देखना है कि क्या लोग वास्तव में इन स्पष्टीकरणों को उपयोगी और समझने में आसान पाते हैं। वे यह निर्धारित करने के लिए मानव उपयोगकर्ताओं के साथ अध्ययन करने की योजना बना रहे हैं कि क्या ये "क्या होगा यदि" वाले परिदृश्य लोगों को मशीनों द्वारा किए गए उनके विकल्पों को समझने में मदद करते हैं।
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।