Este artículo es compartido por la comunidad HUAWEI CLOUD " ¡ Recomendación-Análisis con gráficos! ", Autor: Hola_TT.
Lectura guiada
Se considera un sistema de recomendación como una tecnología para proporcionar bienes, contenidos o servicios de interés para los usuarios. Como tecnología para describir la relación de vínculo profundo entre las cosas, la tecnología de gráficos se usa a menudo para modelar sistemas de recomendación. Este artículo primero presenta los sistemas de recomendación y la relación entre los sistemas de recomendación y la tecnología de gráficos, y luego ilustra cómo la tecnología de gráficos potencia los sistemas de recomendación con ejemplos.
¿Qué es un sistema de recomendación?
Cuando un usuario necesita conectarse a Internet para satisfacer sus necesidades, a menudo se encuentra con una gran cantidad de información relevante. Un sistema de recomendación es una técnica utilizada para filtrar información y proporcionar a los usuarios bienes, contenidos o servicios que sean lo más satisfactorios e interesantes posible para los usuarios.
Con el rápido desarrollo de las plataformas de comercio electrónico y redes sociales, para evitar que los usuarios se pierdan en el mar de datos, han surgido sistemas de recomendación. Como una de las aplicaciones más exitosas e importantes de la IA, los sistemas de recomendación ayudan a los consumidores a encontrar contenido, bienes o servicios relevantes o interesantes con mayor facilidad.
La importancia de los sistemas de recomendación
Internet de hoy lleva una variedad de recursos de información, y la cantidad de datos crece exponencialmente. Los sistemas de recomendación juegan un papel importante en la mitigación del problema de la sobrecarga de información. En una plataforma de comercio electrónico, un buen sistema de recomendaciones puede ayudar a los usuarios a descubrir buenos productos y también permitir que los productos de alta calidad lleguen a audiencias precisas.
Desde el punto de vista del usuario, el sistema de recomendación puede aliviar el costo de tiempo causado por la sobrecarga de información.Desde el punto de vista de la empresa, puede ayudar a las empresas a lograr un marketing preciso, personalizar la experiencia del usuario, mejorar la lealtad del cliente y maximizar los ingresos de la empresa. Por lo tanto, la calidad del sistema de recomendación es muy importante tanto para los usuarios como para las empresas.
La relación entre el análisis gráfico y el sistema de recomendación.
Los datos en el sistema de recomendación son esencialmente algunos datos gráficos, y los datos que incluyen usuarios, productos y atributos están vinculados a través de varias relaciones. La tecnología de análisis de gráficos tiene ventajas naturales al tratar con relaciones complejas. Las tecnologías de gráficos, como el paseo aleatorio y la red neuronal de gráficos, se han utilizado para procesar varios gráficos y han logrado buenos resultados. Por lo tanto, el uso del análisis de gráficos para tratar los problemas de recomendación es una forma natural y elección sensata.
Además, el análisis de gráficos es beneficioso para construir sistemas de recomendación explicables. El mecanismo de caja negra de los sistemas de recomendación liderados por el aprendizaje profundo hace que las personas presten cada vez más atención a la interpretabilidad de los sistemas de recomendación Beneficiándose de la capacidad de razonamiento causal del análisis de gráficos, el sistema de recomendación basado en el análisis de gráficos puede respaldar la interpretabilidad de resultados de recomendación sexo.
Estructuras gráficas en sistemas de recomendación
El sistema de recomendación contendrá muchos tipos diferentes de entidades, como usuarios, productos, atributos, etc., y estarán conectados a través de diversas relaciones, como la relación social entre usuarios y la interacción entre usuarios y productos. Espere. Estas diferentes entidades y relaciones constituyen el conjunto de datos subyacente del sistema de recomendación. Los datos subyacentes del sistema de recomendación se pueden dividir en las siguientes estructuras.
Jerarquía
Generalmente, todos los productos están organizados en jerarquías basadas en atributos específicos (por ejemplo, categoría de producto). Por ejemplo, todos los productos en Huawei Mall se dividen en muchas categorías (incluidos teléfonos móviles, accesorios, pantallas inteligentes, etc.) y cada categoría de productos se divide en subcategorías (los teléfonos móviles se dividen en serie Mate, serie P, etc. ), cada subcategoría puede contener varios productos específicos. Esta jerarquía en sí misma revela ricas relaciones entre productos. Los productos de categorías diferentes pero similares pueden tener relaciones complementarias (como teléfonos móviles y fundas protectoras), lo que es beneficioso para mejorar la calidad de las recomendaciones. Además, también es beneficioso para evitar recomendaciones repetidas de productos similares, aumentando así la variedad de Productos Recomendados.
diagrama de una sola parte
En los sistemas de recomendación, hay al menos dos gráficos monolíticos a considerar, a saber, la red de relaciones sociales del usuario y la red de relaciones de co-ocurrencia del producto o gráfico de sesión. En el gráfico de relaciones sociales, las preferencias de los usuarios y los comportamientos de compra se afectarán entre sí. La relación de coocurrencia de productos no solo refleja la relación complementaria o competitiva entre productos, sino que también muestra los patrones de consumo de los usuarios. Todas estas son cosas que deben ser considerado al hacer recomendaciones los elementos de.
bipartito
La relación entre usuarios y elementos (clics, compras, etc.) es el núcleo del sistema de recomendación, que se puede modelar como un gráfico bipartito. La recomendación en este punto puede verse como un problema de predicción de enlaces.
Gráfico heterogéneo
Para resolver eficazmente el problema de escasez mencionado anteriormente del gráfico bipartito usuario-elemento y construir un sistema de recomendaciones más robusto y confiable, hay mucha información relevante que se puede tener en cuenta, incluida la información personal del usuario, la relación social, y las características del producto, relación de co-ocurrencia de mercancías, etc. En general, cuanto más sepamos sobre las preferencias y los comportamientos de compra de los usuarios, así como las características del producto, mejores serán las recomendaciones.
Métodos de análisis gráfico para sistemas de recomendación
Caminata aleatoria
El principio de la caminata aleatoria es comenzar desde un punto determinado, caminar hasta el nodo vecino de este vértice con una probabilidad específica y obtener una distribución de probabilidad después de cada caminata, que representa la probabilidad de que se visite cada nodo en el gráfico. Después de cierto paso, los nodos se ordenan según la probabilidad de que cada nodo sea visitado como resultado de la recomendación. Beneficiándose del mecanismo de trabajo especial de paseo aleatorio, ha obtenido un buen efecto de recomendación en gráficos de datos complejos y de alto orden.
Representación gráfica Aprendizaje
Los métodos de aprendizaje de representación gráfica generalmente codifican cada punto del gráfico en una representación de baja dimensión que contiene la información estructural del gráfico, y estas representaciones se utilizarán para tareas de recomendación posteriores.
Red neuronal gráfica
Por ejemplo, una red neuronal convolucional de gráficos aprende cómo agregar continuamente características estructurales locales mediante el uso de la estructura del gráfico y la información de características de puntos. En general, a través de las operaciones de convolución y agrupación, las redes convolucionales de gráficos tienen la capacidad de aprender información valiosa sobre las características de la vecindad de los nodos.
Gráfico de conocimiento
Los sistemas de recomendación basados en gráficos de conocimiento generalmente usan conocimiento externo para construir gráficos de conocimiento para explorar relaciones ocultas entre usuarios o productos, lo que conduce a una mejor recomendación. Más importante aún, al aprovechar el conocimiento externo, los sistemas de recomendación basados en gráficos de conocimiento brindan una mejor comprensión del comportamiento del usuario y las características del producto, mejorando así la interpretabilidad de los resultados de la recomendación.
Un ejemplo de recomendación basado en Huawei Cloud Graph Engine GES
amigos recomendados
En este ejemplo, le recomendamos amigos a Li Lei. La idea es recomendar a los amigos de sus amigos, pero los amigos recomendados no deben incluir a los propios amigos de Li Lei. Por ejemplo, en la imagen, Xiaomei es tanto amigo de Li Lei como amigo de Li Lei. Amigos de amigos, no deberíamos recomendar a Xiaomei a Li Lei, porque ella ya es amiga de Li Lei. Podemos implementar la recomendación anterior a través de la siguiente declaración gremlin:
g.V("李雷").repeat(out("friend").simplePath().where(without('1hop')).store('1hop')).times(2).path().by("name").limit(100)Recomendación de película
Este es un ejemplo de un gráfico heterogéneo, las entidades contienen usuario, película, género, actor, director, etc. Queremos
Para recomendar películas a Frank, utilizamos el algoritmo de recomendación en tiempo real integrado en GES para hacerlo. El algoritmo de recomendación en tiempo real es un algoritmo basado en el modelo de paseo aleatorio. Los principales parámetros de entrada son fuentes y etiquetas. Las fuentes representan la identificación del nodo solicitante y la etiqueta representa el tipo de nodo recomendado deseado. Para descripciones de parámetros específicos, consulte Algoritmo de recomendación en tiempo real de enlaces , en el parámetro de retorno, la puntuación muestra el valor de recomendación de cada nodo, lo que refleja su grado de recomendación.
{
"score": 1494,
"id": "The Sixth Sense"
},
{
"score": 1233.0000000000002,
"id": "Artificial Intelligence"
},
{
"score": 519,
"id": "Lincoln"
},
{
"score": 441,
"id": "Ready Player One"
}Ventajas de los sistemas de recomendación basados en GES
Kugou y Huawei Mall construyeron sus propios sistemas de recomendación basados en GES y lograron muy buenos resultados.
Enlaces relacionados (Construcción del gráfico de conocimiento de comercio electrónico basado en el mercado de personas y bienes https://bbs.huaweicloud.com/forum/thread-67525-1-1.html ) En general, el sistema de recomendación basado en GES tiene lo siguiente aspectos Las ventajas:
Recomendación en tiempo real
Las aplicaciones en línea deben hacer recomendaciones instantáneas y el alto rendimiento de GES puede ayudar a construir sistemas de recomendación en tiempo real.
Proporcione resultados de recomendaciones interpretables y de alta calidad
Las recomendaciones proporcionadas son realmente valiosas para el usuario y responden a la pregunta de por qué.
diversidad de métodos
GES proporciona una variedad de métodos para ayudar a construir sistemas de recomendación con resultados más precisos.
lograr objetivos comerciales
Ayude a las empresas a lograr objetivos de altos ingresos y bajo costo, mejore la satisfacción del usuario y ahorre tiempo y costos.
referencias:
- Enfoques de aprendizaje gráfico para sistemas de recomendación: una revisión (2020)
- DKN: Red de conocimiento profundo para recomendaciones de noticias (2018)
- Vestirse como un todo: aprendizaje de compatibilidad de atuendos basado en redes neuronales gráficas de nodos (2019)
Haga clic en Seguir para conocer las nuevas tecnologías de HUAWEI CLOUD por primera vez~