Crédit :Pixabay/CC0 Domaine public
Les algorithmes de recommandation peuvent rendre l'expérience d'achat en ligne d'un client plus rapide et plus efficace en suggérant des produits complémentaires chaque fois que le client ajoute un produit à son panier. Le client a-t-il acheté du beurre de cacahuète ? L'algorithme recommande plusieurs marques de gelée à ajouter ensuite.
Ces algorithmes fonctionnent généralement en associant des articles achetés à des articles que d'autres acheteurs ont fréquemment achetés à côté d'eux. Si les habitudes, les goûts ou les intérêts de l'acheteur ressemblent étroitement à ceux des clients précédents, de telles recommandations peuvent faire gagner du temps, rafraîchir la mémoire et être un ajout bienvenu à l'expérience d'achat.
Mais que se passe-t-il si le client achète du beurre de cacahuète pour remplir un jouet pour chien ou appâter une souricière ? Et si le client préfère le miel ou les bananes avec son beurre de cacahuète ? L'algorithme de recommandation offrira des suggestions moins utiles, ce qui coûtera une vente au détaillant et pourrait ennuyer le client.
Une nouvelle recherche dirigée par Negin Entezari, qui a récemment obtenu un doctorat en informatique à UC Riverside, des collaborateurs d'Instacart et son directeur de doctorat Vagelis Papalexakis, apporte une méthodologie appelée décomposition tensorielle - utilisée par les scientifiques pour trouver des modèles dans d'énormes volumes de données - dans le monde du commerce pour recommander des produits complémentaires mieux adaptés aux préférences des clients.
Les tenseurs peuvent être représentés comme des cubes multidimensionnels et sont utilisés pour modéliser et analyser des données avec de nombreux composants différents, appelés données multi-aspects. Des données étroitement liées à d'autres données peuvent être connectées dans un agencement de cubes et liées à d'autres cubes pour découvrir des modèles dans les données.
"Les tenseurs peuvent être utilisés pour représenter les comportements d'achat des clients", a déclaré Entezari. "Chaque mode d'un tenseur à 3 modes peut capturer un aspect d'une transaction. Les clients forment un mode du tenseur et les deuxième et troisième modes capturent les interactions produit à produit en considérant les produits co-achetés dans une seule transaction."
Par exemple, trois acheteurs hypothétiques (A, B et C) effectuent les achats suivants :
Pour un algorithme conventionnel basé sur une matrice, le client A est identique au client B car ils ont acheté les mêmes articles. En utilisant la décomposition du tenseur, cependant, le client A est plus étroitement lié au client C car leur comportement était similaire. Les deux avaient des produits similaires achetés en même temps en une seule transaction, même si leurs achats différaient légèrement.
L'algorithme de recommandation typique fait des prédictions en fonction de l'article que le client vient d'acheter, tandis que la décomposition du tenseur peut faire des recommandations en fonction de ce qui se trouve déjà dans l'ensemble du panier de l'utilisateur. Ainsi, si un acheteur a de la nourriture pour chien et du beurre de cacahuète dans son panier, mais pas de pain, un algorithme de recommandation basé sur un tenseur peut suggérer un jouet à mâcher pour chien remplissable au lieu de gelée si d'autres utilisateurs ont également effectué cet achat.
"Les tenseurs sont des structures multidimensionnelles qui permettent la modélisation de données complexes et hétérogènes", a déclaré Papalexakis, professeur agrégé d'informatique et d'ingénierie. "Au lieu de simplement remarquer quels produits sont achetés ensemble, il y a une troisième dimension. Ces produits sont achetés par ce type d'utilisateur et l'algorithme essaie de déterminer quels types d'utilisateurs créent cette correspondance."
Pour tester leur méthode, Entezari, Papalexakis et les co-auteurs Haixun Wang, Sharath Rao et Shishir Kumar Prasad, tous chercheurs pour Instacart, ont utilisé un ensemble de données publiques Instacart pour former leur algorithme. Ils ont constaté que leur méthode surpassait les méthodes de pointe pour prédire les recommandations de produits complémentaires spécifiques aux clients. Bien que des travaux supplémentaires soient nécessaires, les auteurs concluent que la décomposition du tenseur de données volumineuses pourrait également trouver sa place dans les grandes entreprises.
"Les méthodes tensorielles, même si elles sont des outils très puissants, sont toujours plus populaires dans la recherche universitaire en ce qui concerne les systèmes de recommandation", a déclaré Papalexakis. "Pour que l'industrie les adopte, nous devons démontrer qu'il est intéressant et relativement facile de se substituer à tout ce qu'ils ont qui fonctionne déjà."
Alors que des recherches antérieures ont montré les avantages de la modélisation tensorielle dans les problèmes de recommandation, la nouvelle publication est la première à le faire dans le cadre de la recommandation d'éléments complémentaires, rapprochant les méthodes tensorielles de l'adoption industrielle et du transfert de technologie dans le contexte des systèmes de recommandation.
"Les méthodes tensorielles ont déjà été adoptées avec succès par l'industrie, la chimiométrie et la qualité des aliments étant d'excellents exemples, et chaque tentative comme notre travail démontre la polyvalence des méthodes tensorielles pour pouvoir s'attaquer à un si large éventail de problèmes difficiles dans différents domaines", a déclaré Papalexakis.
L'article, « Recommandation de produits complémentaires basée sur Tensor », a été présenté à l'IEEE Big Data 2021.
