DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation

Het artikel introduceert DisenReason, een tweestapsmethode die frequentiedomein-disentanglement en latente redenering combineert om het aantal gedeelde gebruikers in een account te schatten en zo de aanbevelingsnauwkeurigheid voor gedeelde accounts significant te verbeteren.

De kern

🎬 De "Familie-Netflix" Probleem: Wie heeft er eigenlijk gekeken?

Stel je voor dat je een gezinsaccount hebt voor een streamingdienst zoals Netflix of Spotify. Jij, je partner, je kinderen en misschien zelfs je oma gebruiken allemaal hetzelfde wachtwoord.

Het probleem:
De slimme algoritmes van deze diensten denken vaak: "Oké, dit account is van één persoon. Alles wat er gebeurt, komt van die ene persoon."
Maar in het echt is dat niet zo. Als je gisteren een horrorfilm keek, je partner vanavond een kookprogramma, en je kind morgen een tekenfilm, dan is dat één lange lijst met gedragingen van vier verschillende mensen. Als het algoritme denkt dat het allemaal van jou is, raakt het de draad kwijt en raadt het je volgende favoriet verkeerd.

Tot nu toe hebben slimme systemen geprobeerd dit op te lossen door te zeggen: "Oké, we gaan ervan uit dat er altijd precies 3 mensen in dit account zitten."
Maar wat als er 2 zijn? Of 5? Of soms maar 1? Die vaste getallen werken niet goed in het echte leven.

🧠 De Oplossing: "DisenReason" (Ontwarren & Redeneren)

De onderzoekers in dit paper hebben een nieuwe methode bedacht, genaamd DisenReason. Ze gebruiken twee slimme stappen om het probleem op te lossen. Laten we het vergelijken met een detective die een verward verhaal moet oplossen.

Stap 1: Het Verwarde Signaal "Ontwarren" (De Frequentie-Techniek)

Stel je voor dat de hele geschiedenis van het account een groot, luidruchtig orkest is waar vier verschillende instrumenten tegelijk spelen. Het geluid is een rommelige mix.

• De oude manier: Kijkt alleen naar het laatste geluid dat je hoorde (de laatste film die werd afgespeeld) en denkt: "Ah, dit is wat de gebruiker wil!" Maar dat is maar één instrument in de mix.
• De nieuwe manier (DisenReason): Gebruikt een wiskundige truc (een Fourier-transformatie, vergelijkbaar met een geluidsmixer die de bas, de gitaar en de zang van elkaar kan scheiden).
  • Ze kijken naar het "ritme" van de activiteiten. Sommige activiteiten zijn rustig en langdurig (zoals een ouder die elke avond nieuws kijkt = laag ritme). Andere zijn kort en explosief (zoals een kind dat snel door filmpjes scrollt = hoog ritme).
  • Door deze ritmes uit elkaar te halen, kunnen ze een gezamenlijk beeld maken van wat het gehele gezin doet, in plaats van alleen naar het laatste stukje te kijken. Dit noemen ze de "Pivot" (het draaipunt).

Stap 2: Het Redeneren (Het Oplossen van de Raadsels)

Nu hebben ze dat gezamenlijke beeld. De volgende stap is: "Hoeveel mensen zitten er eigenlijk achter dit beeld?"
In plaats van een vast getal te raden, laat het systeem het redeneren:

1. Het kijkt naar het gezamenlijke beeld en zegt: "Ik zie hier een patroon dat lijkt op een volwassene die sportkijken." -> Eén gebruiker gevonden.
2. Het haalt dat patroon uit het beeld (alsof je die persoon uit de kamer haalt).
3. Kijkt naar wat er overblijft en zegt: "Ah, wat overblijft lijkt op een tiener die games speelt." -> Tweede gebruiker gevonden.
4. Het herhaalt dit proces totdat er niets interessants meer overblijft.

De slimme truc: Het systeem stopt vanzelf als het merkt dat het geen nieuwe, unieke personen meer kan vinden. Het hoeft dus niet te weten hoeveel mensen er zijn; het ontdekt het aantal.

🏆 Waarom werkt dit beter?

In de experimenten hebben de onderzoekers dit getest op echte data (zoals tv-kijkgedrag en Amazon-aankopen).

• Resultaat: Het systeem was veel beter in het voorspellen van de volgende film of het volgende boek dan alle andere bestaande methoden.
• De winst: Het verbeterde de voorspellingen met wel 12%. Dat klinkt misschien niet als veel, maar in de wereld van slimme algoritmes is dat een enorme sprong.

🌟 De Kernboodschap in Eén Zin

DisenReason is als een slimme detective die niet aannames doet over hoeveel mensen er in een gezin zitten, maar die eerst het geluid van het hele gezin uit elkaar haalt (ontwarren) en daarna stap voor stap de individuele personen uit de menigte haalt (redeneren) om precies te weten wie er wat wil.

Dit maakt de aanbevelingen veel persoonlijker, zelfs als er een heel groot gezin of een groep vrienden één account deelt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation" in het Nederlands.

Titel: DisenReason: Gedragssplitsing en Latente Redenering voor Aanbevelingen op Gedeelde Accounts

1. Het Probleem: Beperkingen van Bestaande SSR-methoden

In veel digitale diensten (streaming, e-commerce) wordt één account vaak gedeeld door meerdere gebruikers (bijv. gezinsleden). Bestaande methoden voor Shared-Account Sequential Recommendation (SSR) hebben twee fundamentele tekortkomingen:

• Vaste Aantal Gebruikers: De meeste modellen gaan uit van een vast, vooraf bepaald aantal "latente gebruikers" per account. Dit komt niet overeen met de realiteit, waar het aantal gebruikers per account dynamisch varieert (van twee tot meerdere personen).
• Onjuiste Redeneringsbasis: Traditionele sequentiële aanbevelingen gebruiken het laatste interactie-item als startpunt voor redenering. In een gedeelde account vertegenwoordigt dit laatste item echter slechts het gedrag van één gebruiker op dat moment, en niet het collectieve gedrag van het hele account. Hierdoor missen bestaande modellen de context nodig om de onderliggende gebruikers correct te identificeren.

Het kernprobleem is dus: Hoe kan men het dynamische aantal latente gebruikers achter een gedeeld account nauwkeurig afleiden en representeren zonder vooraf een vast aantal te specificeren?

2. Methodologie: Het DisenReason Framework

De auteurs stellen DisenReason voor, een tweestaps-raamwerk dat gebruikmaakt van frequentiedomein-analyse en latente redenering.

Fase 1: Gedragssplitsing voor een Redenerings-Pivot (Behavior Disentanglement)
In plaats van het laatste item te gebruiken, bouwt DisenReason een collectieve representatie van het hele account op.

• Frequentiedomein Analyse: De interactieserie van het account wordt omgezet naar het frequentiedomein met behulp van de Fast Fourier Transform (FFT). Het idee is dat verschillende gebruikers verschillende tijdsritmen hebben (stabiliteit = lage frequentie, impulsieve interacties = hoge frequentie).
• Ontkoppeling (Disentanglement): Het gemengde signaal wordt opgesplitst in gelijke frequentiebanden. Elke band vertegenwoordigt een specifiek gedragspatroon.
• Adaptieve Fusie: Een Mixture-of-Experts (MoE) mechanisme leert gewichten toe aan deze verschillende gedragspatronen om een betrouwbare, verenigde account-representatie te creëren.
• Resultaat: Het laatste verborgen toestand van deze gefuseerde representatie dient als een "Redenerings-Pivot". Dit pivot vertegenwoordigt het collectieve gedrag van het account en is het startpunt voor het vinden van individuele gebruikers.

Fase 2: Progressieve Residuale Redenering (Progressive Residual Reasoning)
In deze fase worden de individuele latente gebruikers iteratief afgeleid uit het pivot.

• Iteratief Proces: Het model genereert een embedding voor een gebruiker op basis van het huidige pivot.
• Residuale Update: Na het afleiden van een gebruiker, wordt deze embedding afgetrokken van het pivot (residuale techniek). Dit zorgt ervoor dat de volgende stap zich richt op de nog niet verklaarde signalen in het account, waardoor redundante redenering wordt voorkomen.
• Adaptieve Stopconditie: Het proces stopt automatisch wanneer de semantische gelijkenis tussen twee opeenvolgend afgeleide gebruikers een vooraf ingestelde drempel ($\alpha$) overschrijdt. Dit betekent dat alle unieke gebruikers zijn geïdentificeerd.
• Voorspelling: De uiteindelijke aanbeveling wordt gebaseerd op de geaggregeerde representaties van alle afgeleide gebruikers.

3. Belangrijkste Bijdragen

• Eerste Toepassing van Latente Redenering in SSR: Dit is het eerste werk dat het concept van "latente redenering" (geïnspireerd door Chain-of-Thought in LLMs) toepast op gedeelde accounts, waarbij het probleem van het tellen van gebruikers wordt omgezet in het genereren van sequentiële embeddings.
• Nieuwe Tweestaps-Architectuur: DisenReason introduceert een unieke combinatie van frequentiedomein-gedragssplitsing (voor het creëren van een collectief pivot) en progressieve residuale redenering (voor het dynamisch afleiden van het aantal gebruikers).
• Adaptiviteit: Het model hoeft geen vast aantal gebruikers te kennen; het bepaalt dit zelfstandig op basis van de data, wat beter aansluit bij real-world scenario's.

4. Resultaten en Experimenten

De auteurs hebben DisenReason getest op vier benchmark datasets (twee real-world smart TV-datasets en twee synthetische Amazon-datasets).

• Prestaties: DisenReason presteert consistent beter dan state-of-the-art baselines (zoals SASRec, LightGC2N, $\pi$-Net).
  • Op de HV-E dataset werd een relative improvement van 12,56% behaald op MRR@5.
  • Op de HV-V dataset werd een verbetering van 6,06% behaald op Recall@20.
• Ablatiestudies:
  • Het verwijderen van de gedragssplitsing (en het direct gebruiken van het laatste item als pivot) leidde tot de grootste daling in prestaties, wat aantoont dat een collectieve pivot essentieel is.
  • De residuale operatie en adaptieve fusie leverden ook significante verbeteringen op.
• Robuustheid: Het model bleek zeer robuust bij variaties in sequentielengte en bij beperkte trainingsdata (tot 20% van de dataset), waar andere modellen vaak instabiel werden.
• Validatie van Gebruikersaantal: Visualisaties tonen aan dat het model het aantal gebruikers per account dynamisch en correct kan schatten, variërend per account-ID.

5. Significantie en Toekomstperspectief

• Theoretische Impact: Het paper breekt met de verouderde aanname van een vast aantal gebruikers in SSR. Het introduceert een nieuwe paradigma waarbij frequentie-analyse wordt gebruikt om gemengde gedragssignalen te ontrafelen.
• Praktische Toepassing: Voor platforms zoals Netflix, Spotify of Amazon is dit cruciaal. Het systeem kan nu gepersonaliseerde aanbevelingen doen zonder dat de gebruiker expliciet hoeft in te loggen of dat het platform handmatig configuraties hoeft te doen voor gezinsprofielen.
• Toekomstig Werk: De auteurs wijzen op beperkingen zoals de vaste bandbreedte bij frequentiedecompositie en koppeling tussen de twee fasen. Toekomstig onderzoek richt zich op adaptieve frequentiedecompositie en het ontkoppelen van de architectuur voor betere interpretatie.

Conclusie: DisenReason biedt een robuuste, data-gedreven oplossing voor het complexe probleem van gedeelde accounts, waarbij het niet alleen de nauwkeurigheid van aanbevelingen verhoogt, maar ook de onderliggende dynamiek van gebruikersgroepen blootlegt zonder voorafgaande kennis van de groepsgrootte.