Rekommendationssystemens karaktär

I denna informationsålder har rekommendationssystem (RS) blivit en oumbärlig del av vår vardag. Oavsett om du är medveten om dess närvaro eller inte, så hjälper det dig när du till exempel lyssnar på musik på Spotify, tittar på filmer på Netflix, handlar på Amazon osv.
Så vad är egentligen RS?
Föreställ dig följande scenario: Du vill skaffa dig en snygg kostym inför ett nytt jobb och går in i en elegant modebutik. En av butikens anställda hälsar dig varmt välkommen och frågar vad du är ute efter. Ja, en kostym förstås, och du fortsätter med att berätta för personalen vilka modeller, färger och tyger du föredrar. Efter att ha funderat en stund leder personalen dig till en hörna av butiken och visar dig ett urval av kostymer som passar dina önskemål. Efter att ha gått igenom några av dessa alternativ blir du plötsligt inspirerad och framför några nya önskemål till personalen. Samtalet fortsätter. Till slut bestämmer du dig för en mellangrå, slim fit-kostym i formell stil. Under samtalet har du också berättat för personalen att du väljer kostymen inför ett nytt jobb och att du vill göra ett snyggt intryck på dina nya kollegor. Personalen börjar då fråga om du kanske också skulle kunna överväga accessoarer som kan ge kostymen ett extra lyft, till exempel en blå slips. Du kan helt enkelt tänka på en RS som en supermedarbetare som kan betjäna miljontals kunder samtidigt. Uppenbarligen kommer en sådan medarbetare inte att vara en människa.
Ett verkligt RS är en algoritm som kan bearbeta både statisk produktinformation, såsom textbeskrivningar och bilder, och dynamisk information – allt från en enskild kunds preferenser till globala marknadstrender – och som kan använda denna information för att betjäna enskilda kunder på ett personligt sätt, precis som man förväntar sig när man pratar med en kunnig butiksmedarbetare. Även om det låter oerhört kraftfullt är det ett mycket utmanande problem som för närvarande är föremål för intensiv forskning både inom näringslivet och den akademiska världen.

En av de uppenbara frågorna man kan ställa sig är: Hur kan en dator ”förstå” vad en produkt är, eller snarare, hur olika produkter hänger ihop?
När allt kommer omkring är det enda som en dator förstår nollor och ettor. För att återgå till vårt exempel med att välja en kostym är det relativt enkelt för en algoritm att identifiera kundens val av design, färg och tyg: Allt som behövs är att tillhandahålla en fullständig lista över möjliga alternativ och be kunderna att kryssa i formuläret. En enkel lösning, kanske du tänker. Man bör dock komma ihåg att denna information (färg, stil, tyg) måste matas in manuellt för varje enskild produkt för att den enkla lösningen ska fungera. Detta kan snabbt bli ett arbetsintensivt jobb, för att inte tala om tillförlitligheten i mänskliga inmatningar. Men låt oss säga att vi ägnade timmar/dagar/månader/år åt att skapa ett perfekt organiserat sortiment; då uppstår nästa fråga: Hur vet en dator att en slips är ”relaterad” till en kostym, åtminstone mer än en marshmallow är? Det är långt ifrån lika uppenbart hur uppbyggnaden av ett sortiment kan bidra till att lösa problemet. Faktum är att det till och med kan bli svårt för en vanlig person att avgöra vilka accessoarer som passar bäst till en viss kostymstil utan att rådfråga en expert.
Den moderna lösningen för utformningen av RS bygger på många av de grundläggande idéerna inom maskininlärning och artificiell intelligens. Tänk till exempel på att det första butikspersonalen gjorde när kunden frågade efter kostymer var att presentera ett urval av kostymer som passade kundens smak. Dessa val kan kallas alternativ, och det kan lika gärna handla om olika märken av vin eller skor. Ett algoritmiskt sätt att hitta alternativ är att använda så kallade klustertekniker. Kortfattat går det ut på att man för varje produkt (kom ihåg att datorn inte känner igen produkter, utan endast nollor och ettor) hittar en representativ vektor i ett vanligtvis högdimensionellt vektorrum, på ett sådant sätt att liknande produkter mappas till närliggande vektorer. Följande figur illustrerar denna idé där produkterna mappas till ett tvådimensionellt vektorrum och olika typer av produkter tenderar att bilda lösa kluster.

”Närmaste granne”
Nästa steg i processen är att utföra en så kallad närmaste-grann-sökning, där målet är att hitta de närmaste grannprodukterna – det vill säga alternativen – för en förutbestämd produkt.
Om man återigen tittar på figuren ovan kan man föreställa sig en cirkel med en kostym i centrum. Inom cirkeln finns andra typer av kostymer, liksom en hel del skjortor och ibland några slipsar. Å andra sidan kommer produkter som schampo eller parfym att ligga långt ifrån vårt mål, en kostym, och det är mycket osannolikt att de dyker upp i sökresultaten när man letar efter kostymer. Det är på detta sätt som vi kartlägger relationerna mellan olika produkter. Faktum är att sökningen efter närmaste granne i sig är en hörnsten inom maskininlärning och har en enorm inverkan på till exempel medicinsk diagnostik, väderprognoser och politik, förutom e-handeln förstås.
För att hitta lämpliga vektorrepresentationer av produkter leds man in i en annan fantastisk värld av tekniker: Neurala nätverk och djupinlärning. Det har, milt sagt, varit en revolution hur neurala nätverk förändrar landskapet inom många aspekter av mänsklig kunskap. I vårt exempel kommer en kostym att skiljas från en marshmallow eftersom de ”ser” olika ut, både för våra ögon och för ett konvolutionellt neuralt nätverk.
Jippie! Efter att ha infört alla dessa tekniker som kan vända upp och ner på hela världen har vi lyckats lära datorn att simulera det första steget som vår butikspersonal tar: Att presentera kunden för en rad olika alternativ, den här gången utan att det krävs särskilt mycket mänsklig inblandning, till exempel en fullständig lagerförteckning. Om det låter lite svårt för dig, kan det vara en lättnad att veta att det egentliga spelet just har börjat. Ett framgångsrikt RS stannar inte vid det här steget, utan går vidare till att simulera senare steg i butikspersonalens arbete, t.ex. att rekommendera passande slipsar, bälten eller skor till en kund som har ”bestämt sig” för en kostym som tilläggsprodukter.
Utan någon kunskap inom detta expertområde måste RS lära sig av en enorm databas med uppgifter om kundernas surf- och köpbeteende. Detta leder oss in på ännu ett mystiskt område där det finns ”utomjordingar” som glesa datastrukturer, singulärvärdesdekomposition och huvudkomponentanalys, men också välbekanta begrepp som sökning efter närmaste grannar.
Vägen fortsätter i det oändliga, utmaningarna kvarstår och horisonten ligger inom synhåll.


