Los algoritmos de recomendación pueden hacer que la experiencia de compra en línea de un cliente sea más rápida y eficiente al sugerir productos complementarios cada vez que el comprador agrega un producto a su cesta. ¿El cliente compró mantequilla de maní? El algoritmo recomienda varias marcas de gelatina para agregar a continuación.
Pero, ¿qué pasa si el comprador está comprando mantequilla de maní para rellenar un juguete para perros o cebar una ratonera? ¿Qué pasa si el comprador prefiere miel o plátanos con su mantequilla de maní? El algoritmo de recomendación ofrecerá sugerencias menos útiles, lo que le costará una venta al minorista y potencialmente molestará al cliente.
Una nueva investigación dirigida por Negin Entezari, quien recientemente recibió un doctorado en informática en UC Riverside, los colaboradores de Instacart y su asesor de doctorado Vagelis Papalexakis, trae una metodología llamada descomposición tensorial, utilizada por científicos para encontrar patrones en volúmenes masivos de datos. – en el mundo del comercio para recomendar productos complementarios más cuidadosamente adaptados a las preferencias del cliente.
Los tensores se pueden representar como cubos multidimensionales y se utilizan para modelar y analizar datos con muchos componentes diferentes, llamados datos de múltiples aspectos. Los datos estrechamente relacionados con otros datos pueden conectarse en una disposición de cubo y relacionarse con otros cubos para descubrir patrones en los datos.
«Los tensores se pueden usar para representar los comportamientos de compra de los clientes», dijo Entezari. «Cada modo de un tensor de 3 modos puede capturar un aspecto de una transacción. Los clientes forman un modo del tensor y el segundo y tercer modo capturan las interacciones de producto a producto al considerar los productos co-comprados en una sola transacción».
Por ejemplo, tres compradores hipotéticos, A, B y C, realizan las siguientes compras:
R: Compra perritos calientes, bollos de perritos calientes, Coca-Cola y mostaza en una sola transacción. B: Hace tres transacciones separadas: Canasta 1: Perros calientes y bollos para perros calientes; Cesta 2: Coca-Cola; Canasta 3: Mostaza C: Hot dogs, pan para hot dog y mostaza en una transacción.
Para un algoritmo convencional basado en matrices, el Cliente A es idéntico al Cliente B porque compraron los mismos artículos. Sin embargo, usando la descomposición de tensores, el Cliente A está más estrechamente relacionado con el Cliente C porque su comportamiento fue similar. Ambos tenían productos similares co-comprados en una sola transacción, aunque sus compras diferían ligeramente.
El algoritmo de recomendación típico hace predicciones basadas en el artículo que el cliente acaba de comprar, mientras que la descomposición de tensor puede hacer recomendaciones basadas en lo que ya está en la cesta completa del usuario. Por lo tanto, si un comprador tiene comida para perros y mantequilla de maní en su cesta pero no pan, un algoritmo de recomendación basado en tensores podría sugerir un juguete masticable para perros en lugar de gelatina si otros usuarios también han realizado esa compra.
«Los tensores son estructuras multidimensionales que permiten el modelado de datos complejos y heterogéneos», dijo Papalexakis, profesor asociado de informática e ingeniería. «En lugar de simplemente notar qué productos se compran juntos, hay una tercera dimensión. Estos productos son comprados por este tipo de usuario y el algoritmo intenta determinar qué tipo de usuarios están creando esta coincidencia».
Para probar su método, Entezari, Papalexakis y los coautores Haixun Wang, Sharath Rao y Shishir Kumar Prasad, todos investigadores de Instacart, utilizaron un conjunto de datos públicos de Instacart para entrenar su algoritmo. Descubrieron que su método superaba a los métodos más avanzados para predecir las recomendaciones de productos complementarios específicos de los clientes. Aunque se necesita más trabajo, los autores concluyen que la descomposición del tensor de big data también podría encontrar un hogar en las grandes empresas.
«Los métodos de tensor, aunque son herramientas muy poderosas, siguen siendo más populares en la investigación académica en lo que respecta a los sistemas de recomendación», dijo Papalexakis. «Para que la industria los adopte, debemos demostrar que vale la pena y es relativamente indoloro sustituir lo que sea que ya funcione».
Si bien investigaciones anteriores han demostrado los beneficios del modelado de tensores en problemas de recomendación, la nueva publicación es la primera en hacerlo en el marco de la recomendación de elementos complementarios, acercando los métodos de tensores a la adopción industrial y la transferencia de tecnología en el contexto de los sistemas de recomendación.
«Los métodos de tensor han sido adoptados con éxito por la industria anteriormente, siendo la quimiometría y la calidad de los alimentos excelentes ejemplos, y cada intento como nuestro trabajo demuestra la versatilidad de los métodos de tensor para poder abordar una gama tan amplia de problemas desafiantes en diferentes dominios», dijo. Papalexakis.