Impression-Aware Recommender Systems

Dit artikel presenteert een systematische literatuuroverzicht en een theoretisch raamwerk om verspreide onderzoeken over aanbevelingssystemen die gebruikmaken van impressiedata te verenigen onder het nieuwe paradigma van 'impression-aware' systemen, waarbij modellen, datasets en evaluatiemethoden worden geclassificeerd en toekomstige onderzoeksdirectionen worden geïdentificeerd.

De kern

De Kunst van het "Niet-Klikken": Een Simpel Verhaal over Slimme Aanbevelingen

Stel je voor dat je in een enorme supermarkt loopt. De winkelmanager (het aanbevelingssysteem) plaatst producten op de planken voor jou.

In de oude tijd keek de manager alleen naar wat je kocht of opnam. Als je een pak melk kocht, dacht hij: "Ah, deze klant houdt van melk!" en legde de volgende keer nog meer melk voor je neer. Maar wat als je die melk niet kocht? Was het omdat je er een hekel aan had? Of omdat je net een andere melk had gekocht, of omdat de melk op de onderste plank stond en je er gewoon niet bij kon? De manager wist het niet. Hij zag alleen het succes, niet de mislukkingen.

Deze nieuwe wetenschappelijke paper introduceert een nieuw idee: Impression-Aware Recommender Systems. Laten we dit uitleggen met een paar simpele metaforen.

1. Wat is een "Impression"? (Het Vitrinevenster)

Een "Impression" is simpelweg alles wat de manager aan je laat zien, of je het nu koopt of niet.

• Interactie: Je pakt het product en betaalt (je klikt, je koopt).
• Impression: Het product staat op de plank voor je neus, maar je loopt er voorbij.

De paper zegt: "Wacht even! Die producten die je negeerde, vertellen ons ook iets!" Misschien was het product wel leuk, maar stond het te ver weg. Of misschien heb je het al gezien gisteren en was je er verzadigd van. Door te kijken naar wat je niet koopt, maar wel ziet, wordt de manager veel slimmer.

2. Het Nieuwe Spel: De "Impression-Aware" Manager

De auteurs noemen dit een nieuw paradigma: Impression-Aware Recommender Systems (IARS).
Stel je voor dat de manager niet alleen kijkt naar je winkelmandje, maar ook naar je ogen. Hij ziet:

• Welke producten je hebt gezien.
• Hoe lang je naar ze keek.
• Waar ze stonden (links, rechts, boven, onder).
• Of je eroverheen liep zonder te reageren.

Dit helpt hem drie dingen te doen:

1. Beter begrijpen: Hij ziet dat je vaak naar dure schoenen kijkt maar ze niet koopt. Misschien wil je ze wel, maar zijn ze te duur? Of misschien heb je ze al gezien en wil je ze niet meer.
2. Vermoeidheid voorkomen: Als je elke dag dezelfde drie producten ziet, word je er moe van (de paper noemt dit "User Fatigue"). De manager ziet dat je niet meer reageert en zegt: "Oké, ik stop met die producten te tonen en laat je iets nieuws zien."
3. Geen "Filterbubbel": Soms toont de manager alleen populaire dingen. Door te kijken naar wat mensen niet kopen, kan hij zien of hij te veel van hetzelfde laat zien.

3. De Drie Vragen die de Paper Beantwoordt

De auteurs hebben 43 onderzoeken samengevat om te kijken hoe dit werkt. Ze kijken naar drie dingen:

• De Manier van Denken (Modellen): Hoe bouwt de manager zijn brein?
  • Oude manier: Simpele regels (bijv. "Als je melk koopt, toon kaas").
  • Nieuwe manier: Complexe hersenen (Deep Learning en Reinforcement Learning). Het systeem leert van elke keer dat je iets ziet, zelfs als je niets doet.
• De Gegevens (Datasets): Heeft de manager een kaart?
  • Er zijn nu 13 openbare "kaarten" (datasets) beschikbaar. Sommige zijn heel gedetailleerd (ze weten precies welk product op welke plank stond: Contextueel). Andere zijn vaag (ze weten alleen dat je iets zag, maar niet waar: Globaal). De paper zegt: "We hebben meer gedetailleerde kaarten nodig!"
• De Proef (Evaluatie): Hoe weten we of de manager goed werkt?
  • Vaak kijken we alleen naar wat mensen kopen. Maar met dit nieuwe idee moeten we ook kijken naar wat mensen zien en niet doen. Als we dit verkeerd meten, denken we dat de manager goed is, terwijl hij eigenlijk alleen maar saaie dingen toont.

4. De Uitdagingen (De Strik in de Supermarkt)

Het is niet allemaal makkelijk. De paper noemt een paar problemen:

• Het "Niet-Klikken" is dubbelzinnig: Als je niet klikt, betekent dat dan "Ik haat dit" of "Ik zag het niet"? Soms is het lastig om het verschil te zien.
• Te veel data: Er zijn veel meer producten die je ziet dan producten die je koopt. Dat is een enorme berg data om te verwerken.
• Privacy: Het is lastig om te delen wat mensen zien zonder hun privacy te schenden.

Conclusie: Waarom is dit belangrijk?

Vroeger dachten we: "Als je het niet koopt, wil je het niet."
Deze paper zegt: "Nee, wacht! Als je het ziet maar niet koopt, is dat ook een boodschap."

Door te kijken naar alles wat we zien (de Impressies), kunnen we aanbevelingssystemen maken die:

• Minder vervelend zijn (geen herhaling).
• Beter begrijpen wat we echt willen.
• Rechtvaardiger zijn (niet alleen populaire dingen tonen).

Het is alsof de supermarktmanager eindelijk begint te luisteren naar wat je niet zegt, en niet alleen naar wat je koopt. Dat maakt de winkelervaring voor iedereen een stuk beter.

Technische samenvatting

Probleemstelling

Traditionele aanbevelingssystemen (Recommender Systems - RS) vertrouwen voornamelijk op interacties (zoals aankopen, ratings of klikken) om gebruikersvoorkeuren te modelleren. Dit leidt echter tot beperkingen zoals het aanbevelen van populaire items, het creëren van "filterbubbels" en het falen bij koude gebruikers (cold-start). Een belangrijke, maar vaak onderbenutte databron is impressies: de verzameling van items die daadwerkelijk op het scherm van een gebruiker wordt getoond, ongeacht of er een interactie mee plaatsvindt.

Hoewel er veel onderzoek is gedaan naar impressies, is dit verspreid over verschillende domeinen (zoals advertenties, zoekmachines en sociale media) en wordt er geen eenduidig kader gebruikt. Er ontbreekt een gestructureerde manier om te begrijpen hoe impressies kunnen worden gebruikt om personalisatie te verbeteren, en hoe de signalen van niet-geïnterageerde items (items die werden getoond maar niet werden aangeklikt) correct moeten worden geïnterpreteerd.

Methodologie

De auteurs hebben een systematische literatuuroverzicht uitgevoerd om bestaand onderzoek te verenigen en een nieuw paradigma te definiëren.

1. Selectiecriteria: Er zijn 1351 papers gescand via academische zoekmachines (ACM DL, IEEE Xplore, etc.). Na toepassing van strikte criteria (peer-reviewed, top-tier venues zoals RecSys, KDD, SIGIR) bleven er 43 relevante papers over.
2. Theoretisch Kader: De auteurs definiëren Impression-Aware Recommender Systems (IARS) als een nieuw leerparadigma binnen Collaborative Filtering met side information. In dit kader worden impressies niet alleen als context gezien, maar als een primaire databron naast interacties.
   • Ze onderscheiden tussen contextuele impressies (waarbij bekend is welke impressie bij welke interactie hoort, inclusief positie en rangschikking) en globale impressies (waarbij deze link ontbreekt).
   • Ze definiëren drie fasen: Learning (trainen op profielen), Prediction (voorspellen van relevantie) en Recommendation (genereren van een nieuwe impressie).
3. Classificatiesysteem: De auteurs introduceren een taxonomie om de 43 papers te categoriseren op basis van drie dimensies:
   • Model-centric: Hoe is het model ontworpen? (Heuristieken, Statistisch, Machine Learning, Deep Learning, Reinforcement Learning).
   • Data-centric: Hoe worden impressies verwerkt? (Als features, als directe input voor het model, of via sampling).
   • Signal-centric: Hoe worden voorkeuren voor niet-geïnterageerde impressies behandeld? (Aangenomen als negatief, neutraal, of geleerd).

Belangrijkste Bijdragen

1. Definitie van IARS: Het introduceren en formaliseren van "Impression-Aware Recommender Systems" als een uniek leerparadigma dat verschilt van Context-Aware RS, omdat impressies hier een structureel onderdeel zijn van de input en het leerproces, niet slechts een contextuele variabele.
2. Unificatie van Terminologie: Het bieden van een gemeenschappelijk raamwerk en een gestructureerde taxonomie om de verspreide literatuur over impressies te ordenen.
3. Uitgebreide Review: Een gedetailleerde analyse van 43 papers, waarbij trends in modellen (verschuiving naar Deep Learning en Reinforcement Learning) en data-gebruik worden geïdentificeerd.
4. Dataset Overzicht: Een inventarisatie van beschikbare datasets met impressies. Er zijn 13 publieke datasets geïdentificeerd, waarvan slechts 3 contextuele impressies bevatten (waarbij de link tussen getoond item en interactie bekend is). De meeste datasets zijn "globaal" en missen belangrijke contextinformatie zoals positiebias.
5. Evaluatie Richtlijnen: Het bieden van richtlijnen voor het evalueren van IARS, met een waarschuwing voor methodologische fouten (bijvoorbeeld het gebruik van test-impressies die niet consistent zijn met het trainingsdoel).

Resultaten en Bevindingen

• Trends in Modellen: Er is een duidelijke verschuiving te zien van eenvoudige heuristieken en statistische methoden (vooral voor 2017) naar complexe Deep Learning (38,6% van de papers) en Reinforcement Learning (22,7%) modellen.
• Behandeling van Signalen: De meeste papers (63,6%) nemen aan dat niet-geïnterageerde impressies negatieve signalen zijn (gebruiker wil het item niet). Slechts een minderheid (25%) probeert deze signalen actief te leren of te modelleren, wat een potentieel verbeterpunt is.
• Data-gebruik: De meest voorkomende aanpak is het extraheren van features uit impressies (bijv. aantal keren gezien) of het toevoegen van impressies als input. Het daadwerkelijk samplen van items uit impressies voor training komt zelden voor (slechts 4,5%).
• Dataset Beperkingen: Publieke datasets met contextuele impressies (waarbij positie en rangschikking bekend zijn) zijn schaars. Dit beperkt de mogelijkheid om bias (zoals positiebias) te corrigeren of de impact van de lay-out te bestuderen.
• Scalabiliteit: Impressies zijn veel talrijker dan interacties (ratio varieert van 1,8 tot 143,45). Dit stelt hoge eisen aan de schaalbaarheid van modellen.

Betekenis en Toekomstperspectief

Dit artikel is van fundamenteel belang omdat het de basis legt voor een nieuw paradigma in aanbevelingssystemen. Door impressies expliciet te modelleren, kunnen systemen:

• Meer accurate voorkeuren leren door te begrijpen waarom gebruikers niet reageren (bijv. vermoeidheid, positiebias, of concurrentie binnen de impressie).
• Bias beter aanpakken: Impressies bieden een completer beeld van blootstelling dan alleen interacties, wat essentieel is voor debiasing technieken (zoals Inverse Propensity Weighting).
• Gebruikersvermoeidheid (User Fatigue) modelleren: Door te zien hoe vaak items worden getoond zonder interactie, kunnen systemen vermijden dat gebruikers worden overspoeld met repetitieve inhoud.

De auteurs identificeren belangrijke open vragen voor toekomstig onderzoek, zoals het ontwikkelen van methoden om de signalen van niet-geïnterageerde items te ontrafelen (is het negatief of neutraal?), het creëren van meer publieke datasets met contextuele informatie, en het ontwerpen van nieuwe modellen die specifiek zijn afgestemd op de unieke eigenschappen van impressiedata.