Credito:Pixabay/CC0 di dominio pubblico
Gli algoritmi di raccomandazione possono rendere l'esperienza di acquisto online di un cliente più rapida ed efficiente suggerendo prodotti complementari ogni volta che l'acquirente aggiunge un prodotto al carrello. Il cliente ha comprato il burro di arachidi? L'algoritmo consiglia di aggiungere diverse marche di gelatina.
Questi algoritmi in genere funzionano associando gli articoli acquistati con gli articoli che altri acquirenti hanno spesso acquistato insieme a loro. Se le abitudini, i gusti o gli interessi dell'acquirente sono molto simili a quelli dei clienti precedenti, tali consigli potrebbero far risparmiare tempo, rinfrescare la memoria ed essere una gradita aggiunta all'esperienza di acquisto.
Ma cosa succede se l'acquirente sta comprando burro di arachidi per farcire un giocattolo per cani o esca per una trappola per topi? E se l'acquirente preferisse il miele o le banane con il loro burro di arachidi? L'algoritmo di raccomandazione offrirà suggerimenti meno utili, costando una vendita al rivenditore e potenzialmente infastidendo il cliente.
Una nuova ricerca guidata da Negin Entezari, che ha recentemente conseguito un dottorato in informatica presso l'UC Riverside, collaboratori di Instacart, e il suo consulente di dottorato Vagelis Papalexakis, introduce una metodologia chiamata decomposizione tensoriale, utilizzata dagli scienziati per trovare modelli in enormi volumi di dati, in il mondo del commercio per consigliare prodotti complementari più attenti alle preferenze del cliente.
I tensori possono essere rappresentati come cubi multidimensionali e vengono utilizzati per modellare e analizzare i dati con molti componenti diversi, chiamati dati multi-aspetto. I dati strettamente correlati ad altri dati possono essere collegati in una disposizione a cubo e correlati ad altri cubi per scoprire schemi nei dati.
"I tensori possono essere utilizzati per rappresentare i comportamenti di acquisto dei clienti", ha affermato Entezari. "Ogni modalità di un tensore a 3 modalità può acquisire un aspetto di una transazione. I clienti formano una modalità del tensore e la seconda e la terza modalità acquisiscono le interazioni da prodotto a prodotto considerando i prodotti acquistati insieme in un'unica transazione."
Ad esempio, tre ipotetici acquirenti, A, B e C, effettuano i seguenti acquisti:
Per un algoritmo convenzionale basato su matrice, il cliente A è identico al cliente B perché ha acquistato gli stessi articoli. Utilizzando la scomposizione tensoriale, tuttavia, il cliente A è più strettamente correlato al cliente C perché il suo comportamento era simile. Entrambi avevano prodotti simili co-acquistati in un'unica transazione, anche se i loro acquisti differivano leggermente.
Il tipico algoritmo di raccomandazione fa previsioni basate sull'articolo che il cliente ha appena acquistato, mentre la scomposizione del tensore può formulare raccomandazioni basate su ciò che è già nell'intero carrello dell'utente. Pertanto, se un acquirente ha cibo per cani e burro di arachidi nel carrello ma non pane, un algoritmo di raccomandazione basato su tensori potrebbe suggerire un giocattolo da masticare per cani riempibile invece della gelatina se anche altri utenti hanno effettuato l'acquisto.
"I tensori sono strutture multidimensionali che consentono la modellazione di dati complessi ed eterogenei", ha affermato Papalexakis, professore associato di informatica e ingegneria. "Invece di notare semplicemente quali prodotti vengono acquistati insieme, c'è una terza dimensione. Questi prodotti vengono acquistati da questo tipo di utenti e l'algoritmo cerca di determinare quali tipi di utenti stanno creando questa corrispondenza."
Per testare il loro metodo, Entezari, Papalexakis e i coautori Haixun Wang, Sharath Rao e Shishir Kumar Prasad, tutti ricercatori di Instacart, hanno utilizzato un set di dati pubblico Instacart per addestrare il loro algoritmo. Hanno scoperto che il loro metodo ha superato i metodi all'avanguardia per prevedere i consigli sui prodotti complementari specifici del cliente. Sebbene sia necessario ulteriore lavoro, gli autori concludono che la scomposizione del tensore dei big data potrebbe eventualmente trovare una casa anche nelle grandi imprese.
"I metodi tensoriali, anche se strumenti molto potenti, sono ancora più popolari nella ricerca accademica per quanto riguarda i sistemi di raccomandazione", ha affermato Papalexakis. "Affinché l'industria li adotti, dobbiamo dimostrare che vale la pena e relativamente indolore sostituirli con quello che già hanno."
Sebbene ricerche precedenti abbiano mostrato i vantaggi della modellazione tensoriale nei problemi di raccomandazione, la nuova pubblicazione è la prima a farlo nell'ambito della raccomandazione di elementi complementari, avvicinando i metodi tensoriali all'adozione industriale e al trasferimento tecnologico nel contesto dei sistemi di raccomandazione.
"I metodi tensoriali sono stati adottati con successo dall'industria in precedenza, con la chemiometria e la qualità degli alimenti come ottimi esempi, e ogni tentativo come il nostro lavoro dimostra la versatilità dei metodi tensoriali nell'essere in grado di affrontare una gamma così ampia di problemi impegnativi in diversi domini", ha affermato Papalexakis.
Il documento, "Raccomandazione sui prodotti complementari basati su tensor", è stato presentato all'IEEE Big Data 2021.
