Tech talk: efficiënt kandidaten voorstellen met een aanbevelingstool
Stel u een jobplatform voor dat zijn concurrentiepositie wil versterken.
Het doel is om gebruikers items aan te bieden die aansluiten bij hun persoonlijke voorkeuren. De oplossing moet zo gebouwd zijn dat ze de items kan voorstellen die gebruikers het meest interesseren. Maar ook omgekeerd moet een item verschillende mogelijk geïnteresseerde gebruikers kunnen vinden.
Dat kan met een aanbevelingssysteem dat in het platform wordt geïntegreerd. In dit Tech talk-artikel leggen we uit wat aanbevelingssystemen zijn, welke voordelen ze bedrijven bieden en welke aanpakken mogelijk zijn bij de implementatie.
Wat zijn aanbevelingssystemen?
Aanbevelingssystemen zijn machine learning-modellen die in platformen worden geïntegreerd om gebruikers met behulp van AI aanbevelingen te geven.
Aanbevelingssystemen zijn een populair onderwerp in data science. Grote namen zoals Netflix, Spotify en Amazon maken er een kernonderdeel van hun product van. Nu aanbevelingen op basis van AI steeds gewoner worden, is het belangrijk te weten wat ze voor uw bedrijf kunnen betekenen en hoe u ze bouwt.
Aanbevelingssystemen kunnen op heel wat platformen en in uiteenlopende sectoren worden ingezet. Hun voordelen hangen af van de manier waarop ze worden gebruikt en van de doelstellingen. Enkele voorbeelden:
Relevante content aanbieden aan gebruikers/klanten, zodat mensen meer tijd op uw website doorbrengen.
Bezoekers omzetten in klanten, omdat ze vaker een product aanbevolen krijgen dat ze nodig hebben.
De omzet verhogen doordat klanten meer producten kopen.
Klanten behouden: klanten die tevreden zijn met de aanbevolen producten, komen eerder terug voor een volgende aankoop.
We bespreken de drie populairste aanbevelingssystemen, zodat u begrijpt wat ze doen en waar hun beperkingen liggen. Zo kunt u beter bepalen welk systeem uw bedrijf het meest helpt. Het gaat om:
Content-based filtering
Collaborative filtering
Hybride aanbevelingssystemen
Content-based filtering
Aanbevelingssystemen op basis van content koppelen een item aan een gebruiker op basis van gelijkenis. De items waarvan de kenmerken het sterkst overeenkomen met de voorkeuren en/of eigenschappen van een gebruiker, worden aan die gebruiker aanbevolen.
Deze methode houdt geen rekening met de voorkeuren van andere gebruikers. Ze kan wel directe en indirecte informatie over items en gebruikers combineren om de gelijkenis beter te bepalen.
Een essentieel onderdeel van een aanbevelingssysteem op basis van content is de informatie die we hebben over de interesses van de gebruiker: die staat centraal. Zonder die informatie kan het model geen behoorlijke aanbevelingen doen.
Gebruikers moeten doorgaans een profiel invullen wanneer ze zich voor het eerst op het platform registreren. Daar kunnen ze enkele interesses opgeven. Spotify vraagt nieuwe gebruikers bijvoorbeeld om hun favoriete artiesten en muziekgenres te kiezen. Die informatie dient vervolgens om gelijkaardige genres of artiesten aan te bevelen.
Content-based filtering kan helpen bij het 'coldstartprobleem', wanneer er onvoldoende historische data zijn over de interacties van een gebruiker op het platform. De aanbevelingen zijn wel specifiek voor die gebruiker en bestrijken slechts een klein deel van het mogelijke aanbod.
Er zijn verschillende maatstaven om de gelijkenis tussen gebruikers en items te berekenen, zoals:
Euclidische afstand
Manhattan-afstand
Jaccard-afstand
Cosinusafstand/-gelijkenis
Een van de populairste maatstaven in deze lijst is cosinusgelijkenis. Die berekent de gelijkenis tussen twee vectoren (bijvoorbeeld de gebruiker en het item) op basis van de cosinus van de hoek ertussen. Hoe kleiner de hoek tussen twee vectoren, hoe groter de cosinuswaarde en dus hoe sterker de gelijkenis.
Collaborative filtering
Collaborative filtering verhelpt enkele beperkingen van content-based filtering. Als er informatie is over eerdere interacties tussen items en gebruikers, kunnen we daarmee een aanbevelingssysteem bouwen dat meer gevarieerde aanbevelingen geeft.
Als gebruiker A bijvoorbeeld een product koopt en op gebruiker B lijkt, wordt dat product aan gebruiker B aanbevolen.
Gelijkaardige gebruikers worden gegroepeerd. Het model kijkt naar hun interacties met items om andere gebruikers aanbevelingen te geven. Gebruikers kunnen een item expliciet beoordelen om te laten weten of ze het goed of slecht vonden. Het systeem kan dit ook afleiden uit hun interactie met het item, bijvoorbeeld wanneer ze erop klikken of het aan hun winkelmand toevoegen.
Een belangrijk nadeel is dat deze aanpak informatie over eerdere interacties nodig heeft, en behoorlijk veel. Met andere woorden: hij vereist een 'warme start'. Zulke data zijn niet altijd beschikbaar, zeker niet voor jonge platformen met weinig gebruikers of eerdere interacties. Nieuwe items op het platform worden bovendien pas aanbevolen zodra gebruikers ermee interageren of ze beoordelen.
Er zijn twee manieren om modellen voor collaborative filtering te bouwen: memory-based en model-based.
Memory-based methoden berekenen een gelijkenismaat en doen vervolgens aanbevelingen met een algoritme zoals k-nearest neighbors.
Model-based methoden gebruiken algoritmen voor dimensionaliteitsreductie om de gebruiker-itemmatrix te comprimeren. Dat is vooral nuttig bij een ijle matrix: gebruikers beoordelen maar een klein aantal items, waardoor de meeste velden leeg zijn. Een veelgebruikte aanpak is het algoritme voor singular value decomposition (SVD).
Hybride aanbevelingssystemen
Deze aanpak combineert content-based en collaborative filtering in één aanbevelingssysteem. Zo combineren we het beste van beide werelden en krijgen we betere aanbevelingen door de beperkingen van elke aanpak op te vangen.
We kunnen een hybride model bouwen door eerst afzonderlijke systemen voor content-based en collaborative filtering te maken. Vervolgens combineren we hun scores lineair, met gewichten die we zelf bepalen.
Zijn er bijvoorbeeld onvoldoende data over eerdere gebruikersinteracties, dan kunnen we het contentsysteem een groter gewicht geven. Zodra er meer data beschikbaar zijn, kunnen we die gewichten aanpassen.
Tot slot
Dit artikel introduceerde de soorten aanbevelingssystemen die de voorbije jaren zo populair zijn geworden. Content-based en collaborative filtering hebben elk nadelen, maar kunnen samen een hybride systeem vormen: een krachtige aanpak om op uw platform aanbevelingen met AI te geven.
Bij de bouw van deze systemen zijn nog twee punten belangrijk:
Aanbevelingssystemen moeten regelmatig opnieuw worden getraind om relevant te blijven. Hoe vaak, hangt af van de groei van uw platform en de hoeveelheid nieuwe data.
De snelheid en prestaties van het algoritme zijn erg belangrijk bij de integratie in uw platform. De code en infrastructuur voor dit systeem optimaliseren is een cruciale stap, waarmee u vóór en tijdens het project rekening moet houden.
Wilt u meer weten over aanbevelingssystemen? Google biedt een gratis cursus die het onderwerp goed behandelt. Bekijk ook de conferentie RecSys 2022 voor recent onderzoek en nieuwe manieren om aanbevelingssystemen te bouwen. Voor een samenvatting van de conferentie: Eugene Yan schreef een uitstekend overzicht van enkele gepresenteerde papers.