1 of 32

Cross-Domain Recommender Systems

Ильдар Сафило

Июнь 2021

1

2 of 32

2

План

  • Зачем нужны cross-domain Recommender systems?

​

  • Постановка задачи

​

  • Алгоритмы кросс-рекомендаций

​

  • Пример компании МТС: рекомендации фильмов к книгам

​

3 of 32

3

  • Зачем нужны cross-domain Recommender systems?

​

  • Постановка задачи

​

  • Алгоритмы кросс-рекомендаций

​

  • Пример компании МТС: рекомендации фильмов к книгам

​

4 of 32

4

Междоменные (кросс-доменные) рекомендации - использование знаний, полученных из взаимодействий клиентов с продуктами в исходном домена , для выполнения или улучшения рекомендаций в целевом домене .

Что такое кросс рекомендации?

https://www.researchgate.net/publication/285574429_Alleviating_the_New_User_Problem_in_Collaborative_Filtering_by_Exploiting_Personality_Information

5 of 32

5

​

  • Улучшение рекомендаций для холодных клиентов в целевом домене (решение проблемы холодного старта)

​

  • Улучшение рекомендаций новых item в целевом домене (решение проблемы холодного старта)

​

  • Персонализированный кросс-сейл различных продуктов/товаров одного сервиса в другом

​

  • Улучшение основных рекомендаций в рамках одного домена за счет обогащения знаний о клиентах из других доменов

​

  • Увеличение разнообразия выдачи рекомендательных систем

​

Мотивация для использования

6 of 32

6

McKinsey формализовали экосистему так: “Комплекс взаимосвязанных сервисов и продуктов, с помощью которых пользователи могут удовлетворить ряд своих потребностей в рамках единого интегрированного клиентского опыта.”

  • Увеличение вовлеченности пользователей в экосистему

​

  • Предсказание предпочтений пользователя в экосистеме в целом

​

  • Улучшение точности рекомендательных систем за счет обогащения знаний об интересах пользователя из смежных доменов

Для чего это экосистемам?

7 of 32

7

Экосистемы России

8 of 32

8

  • Зачем нужны cross-domain Recommender systems?

​

  • Постановка задачи

​

  • Алгоритмы кросс-рекомендаций

​

  • Пример компании МТС: рекомендации фильмов к книгам

​

9 of 32

9

Что такое домен?

Attribute level

Type level

Item level

System level

https://edyaaleh.files.wordpress.com/2016/02/recommendersystemshandbook.pdf

10 of 32

10

- множество продуктов в домене-источнике и целевом домене

- множество клиентов в домене-источнике и целевом домене

​

} – вектора/признаки клиентов(users)

} – вектора/признаки продуктов(items)

​

- домен источника, - целевой домен,

​

, - вектора клиентов в домене-источнике

и в целевом домене

​

, - вектора клиентов в домене-источнике

и целевом домене

​

-> , ->

f, g – некоторые функции матчинга/переноса векторов/признаков

из одного домена в другой.

​

​

​

​

Обозначения

11 of 32

11

Типы перекрытия данных в кросс-доменных рекомендательных систем

https://recsys.acm.org/wp-content/uploads/2014/10/recsys2014-tutorial-cross_domain.pdf

12 of 32

12

Типы связи между доменами

Content-based relations between domains

У доменов могут быть общие метаданные или контент Например, общие слова, категории, жанры.

Collaborative filtering-based relations between domains

Можно построить некоторую общую матрицу взаимодействий пользователя с контентом в домене-источнике и целевом домене.

13 of 32

13

  • Зачем нужны cross-domain Recommender systems?

​

  • Постановка задачи

​

  • Алгоритмы кросс-рекомендаций

​

  • Пример компании МТС: рекомендации фильмов к книгам

​

14 of 32

14

Типы алгоритмов кросс-рекомендаций

Aggregating knowledge

Aggregating knowledge

Linking and transferring knowledge

15 of 32

15

Knowledge Aggregation for Cross-Domain Recommendations:

Merging user preferences

16 of 32

16

Mediating user modeling data

Knowledge Aggregation for Cross-Domain Recommendations:

17 of 32

17

Combining single-domain recommendations

Knowledge Aggregation for Cross-Domain Recommendations:

18 of 32

18

Linking domains

Knowledge Linkage and Transfer for Cross-Domain Recommendation

19 of 32

19

Knowledge Linkage and Transfer for Cross-Domain Recommendation

Sharing latent features

20 of 32

20

Knowledge Linkage and Transfer for Cross-Domain Recommendation

Sharing latent features

21 of 32

21

Knowledge Linkage and Transfer for Cross-Domain Recommendation

Transferring rating patterns

https://edyaaleh.files.wordpress.com/2016/02/recommendersystemshandbook.pdf

22 of 32

22

метод

Пересечения пользователей и айтемов в доменах

особенности

Частота использования

Merging user preference

No overlap, user overlap

Решение проблемы холодного старта,

Решение проблемы сильной разреженности матрицы

Часто

Mediating User Modeling Data

User overlap, user_item overlap, item overlap

Опирается на гипотезу : если пользователи похожи в исходном домене, то они похожи и в целевом домене.

Более точные рекомендации для целевого домена

Редко

Combining Single-Domain Recommendations

User_item overlap, user overlap

При объединении рекомендаций нужно настраивать веса перед рекомендациями

Редко

Когда что применять?

23 of 32

23

метод

Пересечения пользователей и айтемов в доменах

особенности

Частота использования

Linking domains

No overlap

Объединение происходит за счет общих атрибутов,

ассоциативных правил, семантических сетей

Часто

Sharing Latent Feature

User overlap, user_item overlap

Передаются скрытые вектора предпочтений пользователя в разных доменах�Походят для сильно разреженных матриц

Часто

Transferring Rating Patterns Between Domains

overlap

Гипотеза: даже если пользователи и продукты

различные, предпочтения в целевом домене и в домене-источнике пользователей будут одинаковыми,

между предпочтениями групп могут существовать скрытые корреляции.

Редко

Когда что применять?

24 of 32

24

  • Зачем нужны cross-domain Recommender systems?

​

  • Постановка задачи

​

  • Алгоритмы кросс-рекомендаций

​

  • Пример компании МТС: рекомендации фильмов

к книгам

​

25 of 32

25

– фильмы, – книги

Рекомендации фильмов к книгам

26 of 32

26

Knowledge Linkage and Transfer for Cross-Domain Recommendation: linking domains

Передача знаний через общие атрибуты

Word2Vec

27 of 32

27

Два полных авторских сборника – «Приключения Шерлока Холмса» и «Возвращение Шерлока Холмса». Здесь будут жених, опасающийся мести бывшей возлюбленной, и невеста, брошенная в день венчания; загадочные апельсиновые зернышки и тайный код пляшущих человечков, смертоносный китобойный гарпун и рождественский гусь с сюрпризом…

Юноша по имени Вик, несмотря на свой небольшой рост, всегда мечтал отправиться в дальнее плавание, прямо как его отец — вождь могущественного клана викингов. И вот судьба дает Вику шанс проявить себя, когда его мать попадает в золотой плен бога Локи. Чтобы снять зловещие чары неопытному викингу предстоит отправиться в захватывающее и опасное путешествие к вратам города богов — самому Асгарду…

�

�

word2vec

Sim(book, film)

Передача знаний через общие атрибуты

28 of 32

28

Knowledge Aggregation for Cross-Domain Recommendations: merging user preferences

BM25, TFIDF

Строим общую матрицу взаимодействий

29 of 32

29

BM25, TFIDF

Строим общую матрицу взаимодействий

Можем сравнивать Book, film между собой

30 of 32

30

Итоговая модель

Два полных авторских сборника – «Приключения Шерлока Холмса» и «Возвращение Шерлока Холмса»…

Word2vec

BM25, TFIDF

Expert rules

31 of 32

31

Итог

Чтобы строить эффективные кросс-доменные рекомендации, нужно:

​

  • Определить бизнес-потенциал кросс-доменных рекомендаций в компании (объем аудитории, ’’расстояние’’ между доменами и т.д.)

​

  • Понять, насколько большое пересечение общих взаимодействий клиентов с товарами/контентом в разных доменах.

​

  • Продумать интеграцию рекомендаций одного домена в другом и проверить ее на простых примерах.

​

  • Выбрать правильный способ передачи взаимодействий пользователей из одного домена в другой.

​

  • Оценить не только метрики точности, но и метрики разнообразия, новизны на разных сегментах пользователей(холодные, теплые,горячие).

32 of 32

32

Спасибо за внимание!

Ildar Safilo

@Ildar_Saf

irsafilo@gmail.com

https://www.linkedin.com/in/isafilo/

​