Aanbevelingsalgoritmen kunnen de online winkelervaring van een klant sneller en efficiënter maken door aanvullende producten voor te stellen wanneer de shopper een product aan zijn winkelmandje toevoegt. Heeft de klant pindakaas gekocht? Het algoritme beveelt verschillende soorten gelei aan om als volgende toe te voegen.

Deze algoritmen werken meestal door gekochte artikelen te associëren met artikelen die andere kopers vaak naast hen hebben gekocht. Als de gewoonten, smaak of interesses van de shopper sterk lijken op die van eerdere klanten, kunnen dergelijke aanbevelingen tijd besparen, het geheugen opfrissen en een welkome aanvulling zijn op de winkelervaring.

Maar wat als de shopper pindakaas koopt om een ​​hondenspeelgoed mee te vullen of een muizenval te lokken? Wat als de shopper de voorkeur geeft aan honing of bananen bij hun pindakaas? Het aanbevelingsalgoritme biedt minder bruikbare suggesties, wat de winkelier een verkoop kost en mogelijk de klant irriteert.

Nieuw onderzoek onder leiding van Negin Entezari, die onlangs een doctoraat in computerwetenschappen behaalde aan UC Riverside, Instacart-medewerkers, en haar doctoraal adviseur Vagelis Papalexakis, brengt een methodologie genaamd tensordecompositie - die door wetenschappers wordt gebruikt om patronen in enorme hoeveelheden gegevens te vinden - in de handelswereld om aanvullende producten aan te bevelen die zorgvuldiger zijn afgestemd op de voorkeuren van de klant.

Tensoren kunnen worden afgebeeld als multidimensionale kubussen en worden gebruikt voor het modelleren en analyseren van gegevens met veel verschillende componenten, multi-aspectgegevens genoemd. Gegevens die nauw verwant zijn aan andere gegevens kunnen in een kubusopstelling worden verbonden en aan andere kubussen worden gerelateerd om patronen in de gegevens te ontdekken.

"Tensors kunnen worden gebruikt om het winkelgedrag van klanten weer te geven", zegt Entezari. "Elke modus van een tensor met drie modi kan één aspect van een transactie vastleggen. Klanten vormen één modus van de tensor en de tweede en derde modus legt product-tot-product-interacties vast door producten te beschouwen die samen zijn gekocht in een enkele transactie."

Drie hypothetische kopers, A, B en C, doen bijvoorbeeld de volgende aankopen:

• A:Koopt hotdogs, hotdogbroodjes, cola en mosterd in één transactie.
• B:Maakt drie afzonderlijke transacties:Mand 1:Hotdogs en hotdogbroodjes; Mand 2:Cola; Mand 3:Mosterd
• C:Hotdogs, hotdogbroodjes en mosterd in één transactie.

Voor een conventioneel matrixgebaseerd algoritme is klant A identiek aan klant B omdat ze dezelfde items hebben gekocht. Met behulp van tensordecompositie is klant A echter nauwer verwant aan klant C omdat hun gedrag vergelijkbaar was. Beiden hadden vergelijkbare producten samen gekocht in één transactie, hoewel hun aankopen enigszins verschilden.

Het typische aanbevelingsalgoritme doet voorspellingen op basis van het artikel dat de klant zojuist heeft gekocht, terwijl tensordecompositie aanbevelingen kan doen op basis van wat zich al in het hele winkelmandje van de gebruiker bevindt. Dus als een shopper hondenvoer en pindakaas in zijn mandje heeft, maar geen brood, kan een op tensor gebaseerd aanbevelingsalgoritme een vulbaar hondenkauwspeeltje voorstellen in plaats van gelei als andere gebruikers die aankoop ook hebben gedaan.

"Tensors zijn multidimensionale structuren waarmee complexe, heterogene gegevens kunnen worden gemodelleerd", zegt Papalexakis, universitair hoofddocent informatica en engineering. "In plaats van simpelweg te zien welke producten samen worden gekocht, is er een derde dimensie. Deze producten worden gekocht door dit soort gebruikers en het algoritme probeert te bepalen welke soorten gebruikers deze match maken."

Om hun methode te testen, gebruikten Entezari, Papalexakis en co-auteurs Haixun Wang, Sharath Rao en Shishir Kumar Prasad, allemaal onderzoekers van Instacart, een openbare Instacart-dataset om hun algoritme te trainen. Ze ontdekten dat hun methode beter presteerde dan state-of-the-art methoden voor het voorspellen van klantspecifieke aanvullende productaanbevelingen. Hoewel er meer werk nodig is, concluderen de auteurs dat de decompositie van big data tensor uiteindelijk ook een thuis kan vinden in het grootbedrijf.

"Tensormethoden, hoewel zeer krachtige tools, zijn nog steeds populairder in academisch onderzoek wat betreft aanbevelingssystemen", zegt Papalexakis. "Om ervoor te zorgen dat de industrie ze overneemt, moeten we aantonen dat het de moeite waard en relatief pijnloos is om te vervangen door wat ze al hebben dat al werkt."

Terwijl eerder onderzoek de voordelen van tensormodellering bij aanbevelingsproblemen heeft aangetoond, is de nieuwe publicatie de eerste die dit doet in de setting van complementaire itemaanbeveling, waardoor tensormethoden dichter bij industriële acceptatie en technologieoverdracht komen in de context van aanbevelingssystemen.

"Tensormethoden zijn al eerder met succes door de industrie toegepast, waarbij chemometrie en voedselkwaliteit geweldige voorbeelden zijn, en elke poging zoals ons werk toont de veelzijdigheid van tensormethoden aan om zo'n breed scala aan uitdagende problemen in verschillende domeinen aan te pakken," zei Papalexaki's.

Het artikel 'Tensor-based complementaire productaanbeveling' werd gepresenteerd op IEEE Big Data 2021.