Новая модель Alibaba для эффективного прогнозирования поведения пользователей
Эта статья является частью серии Academic Alibaba и взята из статьи под названием ATRank: модель моделирования поведения пользователя на основе внимания для рекомендации, написанной Чан Чжоу, Цзиньзе Бай, Цзюньшуай. Сонг, Сяофэй Лю, Чжэнчао Чжао, Сюси Чен и Цзюнь Гао, принятые на конференции Ассоциации по развитию искусственного интеллекта 2018 года. Полностью статью можно прочитать здесь.
Моделирование поведения пользователей — сложная наука. Существует множество возможных действий, которые может предпринять пользователь, и большое количество контекстов, в которых эти действия могут выполняться.
Поскольку поведение пользователей так сложно предсказать, задача ритейлеров состоит в том, чтобы давать разумные рекомендации, основанные на точных прогнозах. Как корпорации могут точно анализировать и интерпретировать поведение пользователей, использовать эту информацию, чтобы делать умные прогнозы и превращать эти прогнозы в эффективные рекомендации?
Многие модели основаны на извлеченных вручную агрегированных данных. Проблема с этим подходом заключается в том, что когда извлечение выполняется вручную, человеческий надзор может привести к извлечению, которое не может полностью представить данные. В качестве альтернативы недавно были опробованы методы на основе рекуррентных нейронных сетей (RNN), чтобы обеспечить полное встраивание последовательности поведения пользователя. Однако эти методы могут предоставить только ограниченную информацию или агрегированные воспоминания о поведении пользователя.
Для нижестоящих приложений, работающих с неполными данными, сложно сохранить целостность данных и избежать появления шума из-за постороннего поведения пользователей.
Чтобы решить эти проблемы, инженеры Alibaba предложили модель ATRank. Эта модель рассматривает диапазон поведения пользователя и корреляции между этим поведением.
ATRank — это фреймворк для моделирования поведения пользователей на основе внимания. Поведение пользователя проходит через различные элементы в структуре моделирования, показанной выше, каждый элемент выполняет определенную функцию:
· Необработанные пространства функций: классифицируйте поведение по группам поведения
· Пространства встраивания поведения: Встраивайте необработанные функции поведения пользователей.
· Скрытые семантические пространства: создание связей и сравнений между поведением
· Слой самовнимания: фиксирует отношения между поведением в каждом семантическом пространстве.
· Ванильное внимание: Производит окончательный вектор контекста относительно вектора внедрения, который должен быть предсказан
Модель ATRank доказала свою высокую эффективность. В тестах на аналогичные системы с использованием набора данных Amazon ATRank превзошел всех своих конкурентов, как показано в следующей таблице:
Оценка, близкая к 1, указывает на большую точность предсказания. Больше результатов испытаний доступно в полной статье.
Полный текст статьи можно прочитать здесь.
Алибаба Тех
Подробная и исчерпывающая информация из первых рук о новейших технологиях Alibaba → Найдите «Alibaba Tech» на Facebook.