ที่มา: Towards novelty-driven recommender systems
Novelty = ความสดใหม่ของ item
(เช่น เพลงที่ผู้ใช้ไม่เคยฟัง, หนังที่ผู้ใช้ไม่เคยดู/เห็น)
สรุปบางส่วน :D
- ความสนใจของผู้ใช้ เปลี่ยนไปตามการเวลา
- เมื่อผู้ใช้ ใช้งานไปเรื่อย ๆ มีโอกาสที่จะเห็น Item ที่มีความหลากหลายน้อยลง หากเราลืมคิดถึงความสนใจที่เปลี่ยนไปของผู้ใช้ (ข้อด้านบน)
- เราจึงต้อง balance ระหว่าง explore (ให้ผู้ใช้เห็นของใหม่) กับ exploit (ให้ผู้ใช้ enjoy กับของที่สนใจ)
- Novelty และ Diversity จึงเป็นปัจจัยที่สำคัญของ การทำ Recommendation เพื่อทำให้ ผู้ใช้ ไม่เบื่อ
ผมอ่านมาคร่าว ๆ นะครับ ถ้าใครอ่านแล้วมีตรงไหนที่ผิด บอกได้เลยนะครับ :D
a reconstruction of the space of items solely based on user behavioural data brings to a poor exploration of the space itself
ปัจจุบัน Recommender System แทบจะฝังอยู่ทุกหนแห่งในชีวิตประจำวันเลย แต่การแสดงผลของ Recommender System อาจส่งผลเสียต่อประสบการณ์การใช้งานก็ได้
เช่น
- ทำให้เห็น item ที่ไม่หลากหลาย (Low diversity) เช่น มีแต่ หนังแนว action อย่างเดียว
- ทำให้เห็นแต่ item ที่เคยเห็นแล้ว (Low novelty) เช่น โชว์แต่หนัง harry potter ไม่เปลี่ยนเลย
Explore/Exploit
ด้วยความขี้สงสัยของมนุษย์ ทำให้เราแสวงหาสิ่งใหม่ๆ/แปลกๆ ตลอดเวลา
เมื่อเจอสิ่งที่ชอบ เราอาจจะแวะอยู่กับมันสักระยะหนึ่ง จนถึงจุดนึง เราก็จะเริ่มมองหาสิ่งใหม่ต่อไป (ซึ่งระยะเวลากว่าจะถึงจุดจุดนั้น มันก็ขึ้นอยู่กับแต่ละคนนะครับ)
ปัญหาข้างต้นก็เป็นหนึ่งในปัญหา Explore/Exploit ที่เป็นธรรมชาติของมนุษย์อยู่แล้ว ในทางจิทวิทยา ก็มีทฤษฎีที่พูดถึง เรื่องนี้ด้วยครับ เช่น Wundt curve [1]
นั่นเป็นเหตุที่ Novelty/Diversity เป็นส่วนสำคัญในการทำ Recommender System
โดยทั่วไป Recommender System จะพยายามทำความเข้าใจพฤติกรรมของผู้ใช้ เพื่อ แนะนำ item ให้ เช่น
- หา item ที่คล้ายกับ item ที่เราชอบ
- หา item ของคนที่มีพฤติกรรมคล้ายๆ เรา มาแนะนำให้
ซึ่งไอเดียนี้ มันทำงานได้ดีในหลายๆ sector แต่ก็ไม่ใช่ทั้งหมด
แต่ถ้าหาก item ที่เราแนะนำให้ ผู้ใช้คุ้นเคยกับ item แล้วหล่ะ (เคยเห็นแล้ว/เจอบ่อยแล้ว)? หนึ่งไอเดียที่น่าสนใจคือ Adjacent possible [2]
Adjacent possible is loosely defined as the set of things that are one step away from what actually exists and that could be reached by the incremental recombination of the existing elements
ซึ่งถ้าหากใครสงสัยว่ามันทำงานยังไง ลองตามไปอ่านในบทความได้นะครับ
Item spaces and user modeling
สมมติฐานที่ Recommender System ส่วนใหญ่ ใช้ คือ ให้ความสำคัญกับ item ทุก item ในประวัติของผู้ใช้เท่ากันทั้งหมด
เช่น เพลงล่าสุดที่เพิ่งฟัง ก็มีค่าเท่ากับ เพลงที่ฟังไปแล้ว สาม เดือนก่อน
ซึ่งในความเป็นจริงแล้ว ความสนใจของ ผู้ใช้ จะเปลี่ยนแปลงไปตามการใช้งานของเค้าด้วย
ทีนี้บทความก็เริ่มทำการทดลองครับ โดยใช้ข้อมูลการใช้งานของ last.fm ซึ่งเป็นบริการสตรีมมิงเพลง (คล้ายๆ กับ spotify)
ผู้ใช้จะค้นพบเพลงใหม่ๆ ได้น้อยลงเรื่อย ๆ
ในบทความได้ทำการทดลองดูว่าการใช้ Recommendation แบบธรรมดา (Simple matrix factorzation) ผู้ใช้จะค้นพบเพลงใหม่ๆ ได้แค่ไหน
ผลปรากฎคือ ผู้ใช้เจอเพลงใหม่แคบลงเรื่อย ๆ และแคบมาก เมื่อเทียบกับเพลงที่มีทั้งหมด
A first important conclusion we can draw is that, perhaps unsurprisingly, a poor reconstruction of the space of items seems to lead to a poor exploration of the space itself. In particular, if recommendations are based on the behaviour of previous users, truly creative suggestions are less likely to appear.
พฤติกรรมของผู้ใช้เปลี่ยนไปตามกาลเวลา
ต่อมาในความได้ทำการทำลองเพื่อดูว่า พฤติกรรมของผู้ใช้เปลี่ยนไปจริงไหม เมื่อเวลาผ่านไปเรื่อย ๆ
ผลลัพธ์ที่ได้คือ ผู้ใช้ฟังเพลงเดิมซ้ำ ๆ ช่วงแรก และค่อย ๆ ลดลง เมื่อเวลาผ่านไป
the customization of recommendations should not be just revolving around new contents to be suggested. It should also take care of the overall personal balance between the exploration of new items and the exploitation of already experienced ones
Proposes Roadmap
สุดท้าย บทความได้นำเสนอมุมมองของปัญหานี้ไว้ 2 เรื่องครับ
- Semantic Spaces: A better description of the space of items. Semantic relations between items need to be grasped in a non-biased way.
- User modeling: The need to take into account in a more realistic way how humans acquire and react to information.
ขอบคุณทุกท่านที่อ่านจนมาถึงจุดนี้ครับ ถ้าตรงไหนตกหล่น หรือผิดพลาดไป คอมเมนท์บอกได้เลยนะครับ ขอบคุณครับ :D
ถ้าหากใครกำลังทำ หรือ สนใจ เกี่ยวกับ Recommender System เข้ามาพูดคุยกันในกลุ่ม Recommender System Developers Thailand ได้นะครับ :D
ถ้าหากใครกำลังทำ หรือ สนใจ เกี่ยวกับ Recommender System เข้ามาพูดคุยกันในกลุ่ม Recommender System Developers Thailand ได้นะครับ :D
