MILCR: Mutual information and local consistency regularized flow matching for sequential recommendation

डिजिटल युग में, हमारा ऑनलाइन जीवन विकल्पों के एक निशान छोड़ता है: वे किताबें जो हम खरीदते हैं, वे वीडियो जो हम देखते हैं, वे रेस्टोरेंट्स जहाँ हम जाते हैं। कंप्यूटरों के लिए, इन निशानों को समझना 'सीक्वेंशियल रिकमेंडेशन' (क्रमिक अनुशंसा) नामक एक क्षेत्र का काम है। इसका लक्ष्य सरल लेकिन कठिन है: एक व्यक्ति ने अतीत में क्या किया है उसे देखें और अनुमान लगाएं कि वह आगे क्या करना चाहेगा। वर्षों से, इस काम के लिए सबसे अच्छे उपकरण सतर्क पुस्तकालयाध्यक्षों की तरह रहे हैं, जो पैटर्न खोजने और अगले तार्किक कदम का सुझाव देने के लिए उपयोगकर्ता के इतिहास को स्कैन करते हैं। हालाँकि, एक नई पीढ़ी के उपकरण उभरे हैं जो कुछ अधिक रचनात्मक करने का प्रयास करते हैं। केवल पैटर्न खोजने के बजाय, ये जनरेटिव मॉडल (उत्पादक मॉडल) शुद्ध यादृच्छिकता (रैंडमनेस) से शुरुआत करके और धीरे-धीरे उसे एक विशिष्ट अनुशंसा के रूप में आकार देकर, उपयोगकर्ता की भविष्य की इच्छाओं की एक तस्वीर बनाने का प्रयास करते हैं।

कल्पना कीजिए कि आप एक मित्र का सटीक चित्र बनाने की कोशिश कर रहे हैं, लेकिन आपको एक खाली, स्थिर (स्टैटिक) स्क्रीन से शुरुआत करने के लिए मजबूर किया जाता है। आपको धीरे-धीरे उस स्टेटिक को हटाना होगा, चरण दर चरण, जब तक कि चेहरा प्रकट न हो जाए। आधुनिक जनरेटिव सिस्टम इसी तरह काम करते हैं। वे यादृच्छिक शोर (रैंडम नॉइज़) से शुरू होते हैं और गणितीय चरणों की एक श्रृंखला के माध्यम से, उस अराजकता को एक स्पष्ट भविष्यवाणी में बदल देते हैं। हालांकि इस दृष्टिकोण ने बड़ी संभावना दिखाई है, लेकिन मानव व्यवहार की अव्यवस्थित वास्तविकता पर लागू होने पर इसे एक विशिष्ट समस्या का सामना करना पड़ता है। क्योंकि लोगों का इंटरैक्शन इतिहास अक्सर छोटा और बिखरा हुआ होता है, इसलिए ये मॉडल भ्रमित हो सकते हैं। वे उस यादृच्छिक शोर पर बहुत अधिक निर्भर हो सकते हैं जिससे उन्होंने शुरुआत की थी, बजाय उपयोगकर्ता के वास्तविक इतिहास के, या वे सभी अलग-अलग उपयोगकर्ताओं को एक एकल, धुंधले औसत में मिला सकते हैं, जिससे वे अनूठे विवरण खो जाते हैं जो एक अनुशंसा को उपयोगी बनाते हैं।

बीजिंग यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस खामी को ठीक करने के लिए एक नई विधि विकसित की है, जिसे उन्होंने MILCR नाम दिया है। उनका कार्य यह परिष्कृत करने पर केंद्रित है कि ये जनरेटिव मॉडल विरल (स्पार्स) डेटा से कैसे सीखते हैं। शोधकर्ताओं ने पहचान की कि मुख्य समस्या दोहरी थी: मॉडल विभिन्न उपयोगकर्ता प्राथमिकताओं को अलग रखने में संघर्ष कर रहे थे, और वे शुरुआती यादृच्छिक शोर को अंतिम उत्तर को बहुत अधिक प्रभावित करने दे रहे थे। इसे हल करने के लिए, उन्होंने एक प्रशिक्षण प्रक्रिया पेश की जो एक 'डबल-चेक' प्रणाली के रूप में कार्य करती है। पहले, वे सिस्टम को एक संरचित आधार के साथ तैयार करते हैं, यह सुनिश्चित करते हुए कि जटिल शिक्षण शुरू होने से पहले मॉडल के बुनियादी निर्माण खंड पहले से ही व्यवस्थित हों। फिर, मुख्य प्रशिक्षण चरण के दौरान, वे एक चतुर रणनीति का उपयोग करते हैं जो दो कार्यों के बीच बारी-बारी से चलती है। एक कार्य मॉडल को यादृच्छिक शोर को अनदेखा करना सिखाता है, जिससे वह सख्ती से उपयोगकर्ता के वास्तविक इतिहास पर निर्भर रहने के लिए मजबूर होता है। दूसरा कार्य यह सुनिश्चित करता है कि मॉडल अपनी भविष्यवाणी तक पहुँचने के लिए जो मार्ग अपनाता है वह सुचारू और स्थिर हो, जिससे यह 防止 (रोकना) किया जा सके कि सिस्टम अपनी भविष्यवाणी करते समय डगमगाए या अनियमित रूप से उछले।

शोधकर्ताओं ने ऑनलाइन बुक रिव्यूज से लेकर मूवी रेटिंग्स तक, पांच अलग-अलग वास्तविक दुनिया के डेटासेट पर इस नए दृष्टिकोण का परीक्षण किया। उन्होंने अपने सिस्टम की तुलना कई अन्य शक्तिशाली मॉडलों के साथ की, जिनमें पुरानी, सिद्ध तकनीकों पर आधारित और नई जनरेटिव विधियाँ शामिल हैं। परिणामों ने दिखाया कि उनकी नई विधि ने लगातार प्रतिस्पर्धा को पछाड़ दिया। उदाहरण के लिए, खिलौने खरीदने के एक डेटासेट पर, नए सिस्टम ने पिछले सर्वश्रेष्ठ मॉडल की तुलना में अगली वस्तु की सही भविष्यवाणी करने की अपनी क्षमता में 17 प्रतिशत से अधिक सुधार किया। यह उन उपयोगकर्ताओं के मामले में भी बहुत अधिक विश्वसनीय साबित हुआ जिनके पास बहुत कम इंटरैक्शन थे, एक ऐसी स्थिति जहाँ अन्य मॉडल अक्सर विफल हो जाते हैं। सिस्टम की आंतरिक कार्यप्रणाली का विश्लेषण करके, टीम ने पुष्टि की कि उनके तरीके ने सफलतापूर्वक मॉडल की यादृच्छिक शोर पर निर्भरता को कम किया और विभिन्न उपयोगकर्ताओं के प्रतिनिधित्व को आपस में मिलने देने के बजाय स्पष्ट और अलग रखा।

इस कार्य की सफलता रचनात्मकता और अनुशासन के बीच संतुलन बनाने की इसकी क्षमता में निहित है। जनरेटिव दृष्टिकोण सिस्टम को नई संभावनाओं की कल्पना करने की अनुमति देता है, लेकिन नए रेगुलाइजेशन (नियमन) गार्डरेल के रूप में कार्य करते हैं, यह सुनिश्चित करते हुए कि कल्पना वास्तविक इतिहास में जमी रहे। शोधकर्ताओं ने पाया कि शुरुआती शोर और अंतिम परिणाम के बीच संबंध को न्यूनतम करके, मॉडल ने यादृच्छिक शुरुआत की तुलना में उपयोगकर्ता के पिछले कार्यों पर भरोसा करना सीखा। इसी तरह, भविष्यवाणी की प्रक्रिया के चरणों के बीच निरंतरता लागू करके, उन्होंने सुनिश्चित किया कि सिस्टम अपनी ही गणनाओं के बीच खो न जाए। इन तकनीकों का यह संयोजन उन्हें वास्तविक दुनिया के डेटा की विरल और अव्यवस्थित प्रकृति को पहले की तुलना में बहुत बेहतर ढंग से संभालने में सक्षम बनाता है।

अंततः, यह शोध इस बात के लिए एक स्पष्ट मार्ग प्रदान करता है कि कंप्यूटर मानवीय प्राथमिकताओं को कैसे समझते हैं। यह प्रदर्शित करता है कि हालांकि यादृच्छिकता से शुरुआत करना विचारों को उत्पन्न करने का एक शक्तिशाली तरीका हो सकता है, लेकिन वास्तविक दुनिया में उपयोगी होने के लिए इसके लिए सावधानीपूर्वक बाधाओं की आवश्यकता होती है। नया सिस्टम केवल अनुमान नहीं लगाता है; यह उपयोगकर्ता की वास्तविक रुचियों के संकेत और उन्हें खोजने के लिए उपयोग की जाने वाली गणितीय प्रक्रिया के शोर के बीच अंतर करना सीखता है। जैसे-जैसे ऑनलाइन इंटरैक्शन अधिक जटिल और विविध होते जा रहे हैं, अनुशंसाओं को व्यक्तिगत, सटीक और वास्तव में सहायक बनाए रखने के लिए इस तरह के उपकरण आवश्यक होंगे, भले ही उपलब्ध डेटा सीमित हो। यह कार्य सुझाव देता है कि अनुशंसा प्रणालियों का भविष्य केवल अधिक डेटा उत्पन्न करने में नहीं है, बल्कि इसे अधिक बुद्धिमानी से उत्पन्न करने में है, जिसमें उन लोगों की अनूठी और अक्सर अधूरी कहानियों के प्रति गहरा सम्मान हो जिनकी वे सेवा कर रहे हैं।