AIRI: Фреймворк для повышения точности рекомендательных систем

2024: Представление фреймворка для повышения точности рекомендательных систем

Ученые Института искусственного интеллекта AIRI разработали фреймворк, который объединил два подхода, используемых на май 2024 года повсеместно в рекомендательных системах. Об этом компания сообщила 23 мая 2024 года.

Рекомендательные системы — инструменты, основанные на технологии ИИ, которые предлагают пользователям персонализированные рекомендации на основе истории их действий, предпочтений, выбора и множества других характеристик. Такие решения помогают бизнесу повышать конверсию и объемы продаж за счет предложения продукции, соответствующей индивидуальным интересам каждого конкретного покупателя.

Наряду с бизнесом алгоритмы рекомендательных систем активно используются научными организациями в области биологической и медицинской химии, химико-фармацевтических и биологических исследованиях, в том числе при отборе наиболее перспективных молекул с противовирусной активностью.

Исследователи Института AIRI нашли способ объединить два наиболее используемых в рекомендательных системах подхода: обучении на последовательностях и обучении на основе графовых представлений. Работа по созданию и тестированию фреймворка заняла год. Эксперименты проводились на четырех широко используемых открытых источниках данных.

Алгоритмы на основе последовательного обучения при формировании рекомендаций используют информацию не только о выбранных пользователями продуктах, но и о порядке их потребления. В свою очередь графовый подход позволяет учитывать дальние связи между товарами, с которыми пользователь напрямую не взаимодействовал. В этом случае предсказания генерируются на основе выбора других пользователей, которые ранее взаимодействовали с теми же товарами. Как с помощью EvaProject и EvaWiki построить прозрачную бесшовную среду для успешной работы крупного холдинга Ключевой сложностью при объединении двух подходов в единый фреймворк стала необходимость не допустить ошибок в методологии при учете порядка связей. Именно это зачастую приводит к «утечкам из будущего» — особенностям обобщения поведенческих паттернов, при которых в рекомендациях учитываются товары, которые пользователь не мог видеть из-за их более позднего появления.

Созданный нами фреймворк значительно повышает точность рекомендаций в используемых рынком датасетах. Мы планируем продолжить работу над его улучшением, чтобы наряду с качеством повышалась и эффективность. Данный подход будет полезен исследователям машинного обучения в самых разных областях: от медицины до индустрии развлечений, — подчеркнул Евгений Фролов, PhD, руководитель научной группы «Технологии персонализации» Института AIRI.