Beyond Observed Auxiliary Relations: Environment-Conditioned Modeling for Multi-Behavior Recommendation
यह शोध पत्र BOAR का प्रस्ताव करता है, जो एक वातावरण-सशर्त बहु-व्यवहार अनुशंसा ढांचा (multi-behavior recommendation framework) है जो लक्षित व्यवहार भविष्यवाणी को महत्वपूर्ण रूप से सुधारने के लिए लुप्त और अविश्वसनीय सहायक संकेतों को प्रभावी ढंग से संबोधित करता है, विशेष रूप से उन वस्तुओं के लिए जिनमें सहायक अवलोकन की कमी 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
आज के डिजिटल बाजारों में, एक एकल खरीदारी शायद एकमात्र संकेत नहीं होती जो एक उपयोगकर्ता भेजता है। जूतों की एक जोड़ी या एक नई किताब खरीदने से पहले, एक व्यक्ति उस वस्तु पर क्लिक कर सकता है, उसे शॉपिंग कार्ट में जोड़ सकता है, या उसे विशलिस्ट (wishlist) में सहेज सकता है। ये छोटी क्रियाएं रेत पर छोड़े गए पदचिह्नों की तरह हैं; वे एक ऐसी इच्छा का संकेत देती हैं जो अभी तक पूरी तरह से साकार नहीं हुई है। अनुशंसा प्रणाली (Recommendation systems), वे एल्गोरिदम जो सुझाव देते हैं कि हमें आगे क्या चाहिए हो सकता है, लंबे समय से इन पदचिह्नों का उपयोग यह अनुमान लगाने के लिए करने की कोशिश कर रहे हैं कि अंतिम गंतव्य क्या होगा: यानी खरीदारी। उपयोगकर्ता द्वारा लिए गए पथ का अध्ययन करके, एक आकस्मिक नज़र से लेकर अंतिम चेकआउट तक, ये प्रणालियाँ हमारी पसंद को उस स्थिति से बेहतर समझने की उम्मीद करती हैं जब वे केवल उस क्षण को देखती हैं जब हमने कुछ खरीदा होता है। हालाँकि, यह दृष्टिकोण एक मौलिक समस्या का सामना करता है। कभी-कभी, एक उपयोगकर्ता बिना कभी क्लिक किए या कार्ट में जोड़े बिना ही कुछ खरीद लेता है, जिससे सिस्टम उस प्राथमिकता को देखने में अंधा हो जाता है। दूसरी ओर, कभी-कभी एक उपयोगकर्ता जिज्ञासा या दुर्घटना के कारण किसी वस्तु पर क्लिक करता है, जिससे एक गलत संकेत मिलता है जो ऐसी रुचि का सुझाव देता है जो मौजूद ही नहीं है। जब एल्गोरिदम इन अपूर्ण सुरागों पर बहुत अधिक निर्भर होते हैं, तो वे उन वस्तुओं की सिफारिश करने में संघर्ष करते हैं जो पहले कभी नहीं देखी गई हैं, या वे आकस्मिक क्लिकों के शोर से भ्रमित हो जाते हैं।
शोधकर्ताओं की एक टीम ने इन भ्रमित करने वाले संकेतों को समझने के लिए एक नया तरीका विकसित किया है, जो स्पष्ट अंतःक्रियाओं से परे देखने का एक तरीका प्रदान करता है। वे अपने दृष्टिकोण को BOAR कहते हैं, जो एक ऐसी प्रणाली है जिसे हमारे वर्तमान डिजिटल पदचिह्नों के उपयोग में दो मुख्य खामियों को संभालने के लिए डिज़ाइन किया गया है। पहली खामी यह है कि सिस्टम अक्सर उन वस्तुओं को चूक जाता है जिन्हें उपयोगकर्ता वास्तव में चाहता है क्योंकि उन वस्तुओं के पास कोई पिछला क्लिक या कार्ट जुड़ाव नहीं होता है। दूसरी खामी यह है कि सिस्टम क्लिकों द्वारा आसानी से गुमराह हो जाता है जो खरीदारी की ओर नहीं ले जाते, और आकस्मिक ब्राउज़िंग को एक मजबूत इच्छा मान लेता है। शोधकर्ताओं ने पाया कि दोनों समस्याओं को एक ही, समान रणनीति के साथ ठीक करने का प्रयास अक्सर विफल रहता है। इसके बजाय, उन्होंने एक ऐसा ढांचा बनाया जो स्थिति के आधार पर अपनी रणनीति बदलता है, बिल्कुल एक कुशल मार्गदर्शक की तरह जो जानता है कि कब आगे बढ़ना है और कब पीछे हटना है।
इस नई पद्धति का मूल आधार यह पहचानना है कि किसी भी दिए गए आइटम के लिए उपलब्ध डेटा दो अलग-अलग श्रेणियों में आता है। कुछ वस्तुओं के लिए, क्लिक और कार्ट जुड़ाव का एक समृद्ध इतिहास होता है; अन्य के लिए, ऐसा कोई इतिहास नहीं होता है। शोधकर्ताओं ने महसूस किया कि बिना इतिहास वाली वस्तुओं से सीखने के लिए एक मॉडल को उन उपकरणों के एक अलग सेट की आवश्यकता होती है जिनकी आवश्यकता एक शोर भरे, अव्यवस्थित इतिहास वाली वस्तुओं से सीखने के लिए होती है। इसे संबोधित करने के लिए, उन्होंने दो विशिष्ट मॉड्यूल बनाए जो मिलकर काम करते हैं। पहला मॉड्यूल बिना इतिहास वाली वस्तुओं के लिए समर्पित है। यह छिपे हुए संबंधों को खोजने वाले एक जासूस की तरह कार्य करता है, एक ऐसी तकनीक का उपयोग करता है जो उन वस्तुओं को खोजने में मदद करती है जिन्हें उपयोगकर्ता पसंद कर सकता है भले ही उसने उनके साथ पहले कभी कोई अंतःक्रिया न की हो। यह ऐसा करने के लिए उपयोगकर्ता के व्यवहार में उन पैटर्न को देखता है जो आइटम की लोकप्रियता से प्रभावित नहीं होते हैं, यह सुनिश्चित करते हुए कि सिस्टम केवल उन्हीं प्रसिद्ध चीजों की सिफारिश न करे जिन्हें हर कोई देख रहा है। यह प्रभावी रूप से अंतराल को भरता है, संभावित रुचियों का एक सघन मानचित्र बनाता है जहाँ पहले एक खाली स्थान था।
दूसरा मॉड्यूल उन वस्तुओं को संभालता है जिनके पास क्लिक और कार्ट जुड़ाव का इतिहास तो है, लेकिन वह इतिहास अविश्वसनीय हो सकता है। यहाँ, सिस्टम एक फिल्टर के रूप में कार्य करता है। यह एक उपयोगकर्ता और उन वस्तुओं के बीच के संबंधों का सावधानीपूर्वक परीक्षण करता है जिन पर उन्होंने क्लिक किया है, और यह पूछता है कि क्या वे क्लिक वास्तव में उस चीज़ के साथ संरेखित होते हैं जो उपयोगकर्ता अंततः खरीदता है। यदि कोई क्लिक गलती या आकस्मिक ब्राउज़िंग प्रतीत होता है जो खरीदारी की ओर नहीं ले जाता, तो सिस्टम उस संकेत को अनदेखा करना सीख जाता है। यह अविश्वसनीय कड़ियों को काट देता है, मानचित्र को परिष्कृत करता है ताकि केवल वे संकेत ही शेष रहें जो वास्तव में खरीदारी की ओर संकेत करते हैं। यह एल्गोरिदम को आकस्मिक अंतःक्रियाओं के शोर से विचलित होने से रोकता है।
इन दोनों मॉड्यूल को सहजता से एक साथ काम करने के लिए, सिस्टम एक सरल लेकिन शक्तिशाली नियम का उपयोग करता है। जब इसे किसी विशिष्ट उपयोगकर्ता और आइटम के लिए भविष्यवाणी करने की आवश्यकता होती है, तो यह जाँचता है कि क्या उस आइटम के पास कोई पूर्व सहायक अंतःक्रिया (auxiliary interaction) है। यदि आइटम का कोई इतिहास नहीं है, तो सिस्टम छिपी हुई प्राथमिकताओं को उजागर करने के लिए पहले मॉड्यूल पर अधिक भरोसा करता है। यदि आइटम का इतिहास है, तो यह शोर को साफ करने के लिए दूसरे मॉड्यूल पर भरोसा करता है। यह निर्णय एक कठोर स्विच नहीं है बल्कि एक सुचारू समायोजन है, जो सिस्टम को उपलब्ध साक्ष्यों के आधार पर दोनों दृष्टिकोणों के अंतर्दृष्टि को मिलाने की अनुमति देता है। परिणाम एक ऐसा अनुशंसा इंजन है जो पिछले संस्करणों की तुलना में कहीं अधिक अनुकूलनीय है।
शोधकर्ताओं ने तीन प्रमुख ई-कॉमर्स प्लेटफार्मों के डेटा पर इस नई प्रणाली का परीक्षण किया, जिसमें दस हजार से अधिक उपयोगकर्ता और लाखों अंतःक्रियाएं शामिल थीं। परिणामों ने दिखाया कि नई पद्धति लगातार मौजूदा सर्वोत्तम प्रणालियों से बेहतर प्रदर्शन करती है। सामान्य मामले में, इसने सिफारिशों की सटीकता में लगभग आठ प्रतिशत का सुधार किया। हालाँकि, सबसे महत्वपूर्ण लाभ सबसे कठिन परिदृश्य में दिखाई दिया: उन वस्तुओं की सिफारिश करना जिनमें कोई पिछला क्लिक या कार्ट जुड़ाव नहीं था। इन मामलों में, नए सिस्टम ने सटीकता में ४४ प्रतिशत तक सुधार किया। यह सुझाव देता है कि सिस्टम उन प्राथमिकताओं की सफलतापूर्वक खोज कर रहा है जो पहले एल्गोरिदम के लिए अदृश्य थीं। यह अत्यधिक कुशल भी साबित हुआ, जो वर्तमान अत्याधुनिक (state-of-the-art) विधियों के समान तेज़ चलता है, जिसका अर्थ है कि इसे उपयोगकर्ता अनुभव को धीमा किए बिना वास्तविक दुनिया के अनुप्रयोगों में तैनात किया जा सकता है।
अध्ययन में यह देखने के लिए तनाव परीक्षण (stress tests) भी शामिल थे कि सिस्टम चरम स्थितियों को कितनी अच्छी तरह संभालता है। एक परीक्षण में, शोधकर्ताओं ने कृत्रिम रूप से उन वस्तुओं के क्लिक इतिहास को हटा दिया जिन्हें उपयोगकर्ताओं ने अंततः खरीदा था, जो एक ऐसी स्थिति का अनुकरण करता है जहाँ सिस्टम को बिना किसी सुराग के अनुमान लगाना पड़ता है। नया सिस्टम मजबूत बना रहा, जिसमें प्रदर्शन में केवल मामूली गिरावट आई, जबकि अन्य विधियाँ काफी संघर्ष करती रहीं। एक अन्य परीक्षण में, उन्होंने उन वस्तुओं में फर्जी, शोर भरे क्लिक जोड़े जिन्हें उपयोगकर्ताओं ने कभी नहीं खरीदा, जो भ्रामक संकेतों की बाढ़ का अनुकरण करता है। फिर से, नया सिस्टम अपनी जगह पर अडिग रहा, जहाँ अन्य विफल हो गए, और इसने शोर को प्रभावी ढंग से फ़िल्टर किया। इन परीक्षणों ने पुष्टि की कि दो-भाग वाला दृष्टिकोण न केवल एक सैद्धांतिक सुधार है बल्कि उपयोगकर्ता व्यवहार की वास्तविक दुनिया की अव्यवस्था के लिए एक व्यावहारिक समाधान भी है।
समस्या को दो अलग-अलग चुनौतियों में विभाजित करके और प्रत्येक को एक अनुकूलित रणनीति के साथ हल करके, शोधकर्ताओं ने दिखाया है कि अनुशंसा प्रणालियाँ केवल पैटर्न मिलान करने वाली (pattern matchers) से कहीं अधिक हो सकती हैं। वे अनुकूलन योग्य शिक्षार्थी हो सकते हैं जो एक शांत प्राथमिकता और एक शोर भरे व्यवधान के बीच अंतर को समझते हैं। यह कार्य इस बात पर प्रकाश डालता है कि अनुशंसा का भविष्य अधिक डेटा एकत्र करने में नहीं है, बल्कि हमारे पास पहले से मौजूद डेटा की गुणवत्ता और संदर्भ को समझने में है। यह उन प्रणालियों के लिए एक मार्ग प्रदान करता है जो सही चीज़ की सिफारिश कर सकती हैं, भले ही उपयोगकर्ता ने इसके बारे में एक शब्द भी न कहा हो, और भले ही जो कुछ भी उन्होंने कहा है वह विरोधाभासों से भरा हो।
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।