Generating negative samples with a related task for recommendation

Öneri sistemleri, sadece tüketicilere geniş bir ürün yelpazesi sunmakla kalmıyor aynı zamanda tedarikçilerinde karlarını arttırarak büyümelerine fayda sağlıyor. Bu sistemlerin çoğunluğu, ürün değerlendirmeleri (açık veri) ve satın alma geçmişi (örtükveri) gibi tüketici tercihlerine göre eğitilmiştir. Açık verilerle çalışmak daha kolaydır, ancak her kullanıcıdan elde etmek kolay değildir. Çoğu öneri sistemi örtük veri kullanmaktadır çünkü kullanıcı satın alma yaptığı anda tüm bilgileri kaydedilmektedir. Örtük verileri kullanmanın dezavantajı, sadece gözlemlenen (pozitif) kullanıcı-ürün çiftlerini içermesi ve sonuçta ortaya çıkan sistem performansının olumsuz örneklerin eksikliğinden muzdarip olmasıdır. Sadece örtük verilere bakarak, bir kullanıcının bir ürünü neden satın almadığını yorumlamak neredeyse imkansızdır. Bunun nedeni, kullanıcının bu öğeyi beğenmemesi ki bu gerçek bir olumsuz örnek anlamına gelirveya kullanıcının yalnızca ürünün farkında olmaması olabilir. Bu soruna değinen iki ana yaklaşım vardır. Birincisi, tüm gözlemlenmemiş kullanıcı-ürün çiftini bilinmeyen veri olarak düşünmektir ama bu oldukça seyrek bir veri kümesi oluşmasınaneden olur. ̇İkinci yaklaşımda gözlemlenemeyen tüm kullanıcı-ürün çiftlerini ya da onların ağırlıklandırılmış ortalamasını olumsuz örnek olarak almaktır. Bu yöntemlerde olumlu örnek olabilecek kullanıcı-ürün çiftlerini kaybederek yanlış çıkarımlaryapmamıza neden olabilir. Bu çalışmada olumsuz örnek çiftlerini oluşturmak için ikinci bir modelden yararlanan derin öğrenmeye dayalı yeni bir method önerdik. Yaklaşımımızı ̇Ilgili Görev Örnekleme (RTS) diye adlandırdık. Hem CTR hem de öneri modellerini çoklu koşullarda eğitmek ve temel yaklaşımlarla karşılaştırmak için büyük bir turizm şirketinden gerçek dünya veri setlerini kullandık. Başlıca sonuçlarımız, RTS negatifleri tarafından eğitilen öneri modellerinin temel yaklaşımlarına oranla ortalama olarak %10′dan daha fazla performans sağladığını göstermektedir.