Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

DeepSentRec: מערכת המלצות למוצרים המודעת לסנטימנט, מבוססת למידה עמוקה

· חזרה לאינדקס

מדוע המלצות חכמות יותר חשובות

בכל פעם שאתם קונים באינטרנט, צופים בסדרה כל הסדרה, או גוללים ביקורות על מסעדות, אלגוריתמים בלתי נראים מחליטים מה תראו אחרי זה. עם זאת, מערכות אלו לעתים קרובות מפספסות משהו קריטי: כיצד אתם באמת מרגישים לגבי מה שאתם קונים או צופים. מאמר זה מציג את DeepSentRec, מסגרת המלצות חדשה שמנסה לקרוא לא רק מה לחצתם, אלא גם את הטון של הביקורות הכתובות שלכם — ההתרגשות, האכזבה או האדישות — ומשתמשת באותם אותות רגשיים כדי להתאים הצעות עתידיות בצורה אנושית יותר.

Figure 1
Figure 1.

מדרוג בכוכבים לתחושות אמיתיות

רוב מנועי ההמלצות הקיימים נשענים במידה רבה על מספרים: דירוגי כוכבים, לחיצות קודמות והיסטוריית רכישות. הם מתייחסים לביקורות המשתמשים בעיקר כטקסט ארוך ומבולגן שקשה לנצל בקנה מידה גדול. כתוצאה מכך הם מתעלמים משילשולים עשירים כמו האם דירוג של שלוש כוכבים ניתן בקבלת מרירות או בהלל מתון. מחקרים קודמים הראו שאימוץ סנטימנט — התחושה החיובית, ניטרלית או שלילית המובעת בטקסט — יכול לשפר את ההתאמה האישית, אך מערכות רבות עדיין מוסיפות זאת רק כתכונה שטחית במקום לשים אותה במרכז האופן שבו בנויים ומדורגים ההמלצות.

שלושה מוחות שעובדים יחד

DeepSentRec מעוצבת כצינור עבודה בשלושה חלקים שמארג כשהרגשות, ההתנהגות והלמידה מהמשוב ללופ אחד. ראשית, מודול הסנטימנט הנקרא SentimentBERT קורא את טקסט הביקורת ומפיק טביעת רגש מדויקת לכל ביקורת, לא רק אישור או דחייה פשוטה. שנית, מודול המלצות היברידי מערבב שתי זוויות מבט: אנשים שהתנהגו כמוכם (סינון שיתופי) ומוצרים שביקורותיהם נושאות משמעות ותחושות דומות (דמיון סמנטי). שלישית, מודול למידה-למיון המבוסס על למידה בחיזוק מערבב ברציפות את סדר המוצרים המוצעים בהתאם לאופן בו משתמשים מגיבים — האם הם לוחצים, קונים או מתעלמים מפריטים.

ללמוד מרבים של קולות

כדי לבדוק האם הארכיטקטורה הזו אכן מסייעת לאנשים למצוא פריטים רלוונטיים יותר, המחברים אימנו והעריכו את DeepSentRec על ארבעה מערכי נתונים גדולים מהעולם האמיתי: ביקורות מוצרים של Amazon, ביקורות עסקים של Yelp, ביקורות סרטים של IMDB ואוסף משוב מסחר אלקטרוני מ-Kaggle. לפני כל למידה, הטקסטים עוברים ניקוי קפדני ונחלקים לחתיכות המתאימות לדגמי שפה מודרניים. SentimentBERT מאומן תחילה על ביקורות סרטים מתוייגות היטב ואז מעודן על Amazon ו-Yelp, כך שיוכל להסתגל לסגנונות כתיבה ולתחומים שונים. המערכת גם בונה ייצוגים קומפקטיים של האינטראקציה של כל משתמש עם כל מוצר, ומשלבת אותם עם הטמבורדות טקסט מודעות-סנטימנט כדי ליצור תמונה עשירה יותר של טעם.

Figure 2
Figure 2.

הפיכת משוב לדירוגים טובים יותר

המאפיין המבדיל ביותר של DeepSentRec הוא האופן שבו היא מתייחסת לדירוג כאל שיחה מתמשכת ולא חישוב סטטי. באמצעות טכניקת למידה בחיזוק הנקראת Proximal Policy Optimization, המערכת מתייחסת לכל רשימת דירוג כהחלטה ולכל תגובת משתמש כתגמול או עונש. לחיצות, רכישות והחמצות נכללות כולם בניקוד שמעודד את המודל להדגיש פריטים שמביאים מעורבות לטווח ארוך, לא רק לחיצות מהירות. עם הזמן, מדיניות הדירוג משתפרת על ידי ניסוי סידורים שונים ושמירת אלה שמובילים לאינטראקציות משמעותיות יותר, כגון רכישות או שימוש חוזר.

מה התוצאות מראות עבור משתמשים אמיתיים

במערכי הנתונים של Amazon ו-Kaggle בתחום המסחר האלקטרוני, DeepSentRec עקבית ועוקפת שיטות מסורתיות המבוססות רק על התנהגות קודמת או התאמת טקסט פשוטה. היא מספקת דיוק גבוה יותר (חלק גדול יותר מההצעות העליונות אכן רלוונטיות), אחזור טוב יותר (מוצאת יותר מהדברים שמשתמשים אכפת להם מהם) ומדדי איכות דירוג חזקים יותר. והכי חשוב לפלטפורמות אמיתיות, היא מעלה שיעורי קליקים וניקוד מעורבות כולל שמשלב דרכים שונות שבהן משתמשים מגיבים. מחקרי אבלאציה — הסרת רכיבים באופן שיטתי — מראים שכל חלק חשוב: מודל הסנטימנט משפר דיוק, המודל ההיברידי של טקסט-ועם-אינטראקציה משפר כיסוי, ולומד החיזוק מגדיל עוד יותר עד כמה משתמשים נוקטים בפעולה בעקבות ההמלצות.

מה זה אומר להמלצות היומיומיות

במילים פשוטות, המחקר מציע שמנועי המלצות משתפרים במידה ניכרת כאשר הם מקשיבים למה שאתם כותבים בביקורות בקפדנות כמו שהם צופים במה שאתם לוחצים, וכשהם ממשיכים ללמוד מהתנהגותכם העדכנית במקום להסתמך אך ורק על דפוסים ישנים. DeepSentRec מראה ששילוב טון רגשי, הקשר מתוך הטקסט ומשוב רציף יכול להניב המלצות שמרגישות יותר עכשוויות, רלוונטיות ואישיות. בעוד שהעבודה הנוכחית מתמקדת בביקורות באנגלית בניסויים לא מקוונים, היא מצביעה על דור חדש של מערכות שמתאימות בזמן אמת וניתנות להרחבה לשפות ולתחומים מרובים, ובכך עשויות להפוך חוויות דיגיטליות — מהקניות ועד הלמידה — לתואמות יותר לאופן שבו אנשים באמת מרגישים ומתנהגים.

ציטוט: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

מילות מפתח: מערכות המלצה, ניתוח תחושות, התאמה אישית במסחר אלקטרוני, למידה עמוקה, למידה בחיזוק