Hoppa till huvudinnehåll
RISE logo

Effektiva algoritmer för rekommendationssystem

Mycket av den data som samlas in och används idag är för att förstå mänskligt beteende. Detta är väldigt viktigt både från ett såväl samhälls- som affärsmässigt perspektiv. Varje dag interagerar vi och observerar varandras beslut och kroppsspråk för att samla in tillräckligt med data för att förstå människor runtom oss.

Intrycken som vi får utgör grunden för en form av klassificering av olika människor runtom oss. Baserat på denna klassificering, agerar vi och reagerar på ett visst sätt kring olika profiler av människor. På ett liknande sätt avslöjar data från våra "digitala jag" hur vi interagerar och vad vi gör genom att använda information från våra digitala enheter. Så hur kan information från den här typer av profiler vara användbara när profil datan är tillgängligt i digitalt format? 

Rekommendationssystem eller expertsystem är ett faktiskt exempel på hur data används för att bygga profiler och agera utifrån det. Rekommendationssystem består av två huvuddelar. Den första delen är klassificering och segmentering av människor, marknader, produkter och tjänster. Personer kan till exempel delas upp på grundval av olika attribut som ålder, kön, geografisk region, språk, intressen, osv. Dessutom kan våra digitala spår som våra surfaktiviteter bidra till klassificeringsuppgiften för olika användare eller kundprofiler. Men de attribut som vi tar hänsyn till bör vara relevanta för marknaden, produkten och / eller tjänsten i fråga. Baserat på denna insikt om olika profiler och segmenteringar kan ett rekommendationssystem bygga en modell för att kunna förutse användarnas och kundernas beteende.

Företag som Amazon, Netflix och Spotify har recommender-system som bygger på denna modell. Amazon har profiler baserade på både människors personliga egenskaper och deras shoppinghistoria. Människor med liknande profiler och shoppinghistorier får liknande rekommendationer. Netflix har betygssystem för serier, serier och filmer. Till exempel, om Alice och Bob tyckte om liknande filmer, skulle en film som Alice gillade rekommenderas till Bob. Spotifys funktionalitet "Discover Weekly" fungerar på ett liknande sätt. Beroende på lyssnarens smak (musikförbrukningshistorik), rekommenderar recommender-systemet relevant musikinnehåll. Vår forskning betraktar nya effektiva algoritmer som kan lösa några av de problem som den senaste tekniken står inför idag. Det första problemet är att garantera en viss prestanda baserat på en viss mängd information som ges till rekommendationssystemet. Det andra problemet vi försöker tar upp problemet med förklarlig AI, där vi automatiskt extraherar de väsentliga relationerna mellan objekt och händelser och ger en förklaring och mening av den extraherade informationen. Det tredje problemet som vi närmar oss är att utforma effektiva algoritmer som kan tillhandahålla rekommendationer som kan implementeras på enheter som en del av målet att ha det som är känt som kant AI.

Syftet med projektet är att utveckla expert system som kan tillhandahålla rekommendationer med hög precision samt ge förklaringar till varför rekommendationerna givits, som en del av en “Explainable AI”.

Målsättning med projektet är att utveckla rekommendationsystem som har högre prestanda än state of the art, samt utveckla AI-system som kan ge rimliga förklaringar på vissa rekommendationer med hygglig information.


Sammanfattning

Projektnamn

Deep Recommendation

Status

Pågående

Område

Artificiell intelligens

Region

Region Stockholm

RISE roll i projektet

Project leader

Projektstart

Varaktighet

2020 -01-01

Partner

KTH