Een hybride aanbevelingskader met domein-aanpasbare RoBERTa-embedings voor verbeterde personalisatie in e-commerce

Slimmere winkelvoorstellen

Wie online winkelt heeft productaanbevelingen gezien die opvallend goed lijken te passen — of, even vaak, juist totaal de plank misslaan. Dit artikel onderzoekt een nieuwe manier om aanbevelingssystemen te bouwen zodat ze zowel beter begrijpen waar producten echt over gaan als wat mensen daadwerkelijk waarderen, ook wanneer er weinig begininformatie is. Het doel is om die "Mogelijk ook interessant voor u"-lijsten nauwkeuriger, diverser en betrouwbaarder te maken voor alledaagse kopers.

Waarom online aanbevelingen vaak missen

Traditionele aanbevelingssystemen vertrouwen op twee hoofdmethode. De ene vergelijkt jou met mensen die zich in het verleden hetzelfde gedroegen en suggereert artikelen die zij waardeerden. De andere kijkt naar productkenmerken — zoals categorie, merk of eenvoudige trefwoorden — en koppelt die aan jouw bekende voorkeuren. Deze benaderingen haperen als data schaars zijn, wanneer nieuwe gebruikers of producten verschijnen (het "cold-start"-probleem), of wanneer je smaak in de loop van de tijd verandert. Veel geavanceerde "hybride" systemen proberen meerdere signalen te combineren, maar ze worden vaak complex, traag en moeilijk te interpreteren, vooral bij het omgaan met miljoenen gebruikers en items.

Taalbegrip binnen aanbevelingen brengen

De auteurs stellen een kader voor dat HyReC heet en sterk leunt op hoe mensen over producten praten. Het gebruikt een krachtig taalmodel, RoBERTa, dat verder is getraind op e-commerceteksten om vertrouwd te raken met recensies en productbeschrijvingen uit de babyproducten-domein. Dit model zet ruwe tekst — titels, beschrijvingen en toprecensies — om in compacte numerieke vingerafdrukken die betekenis en sentiment vastleggen, bijvoorbeeld of mensen duurzaamheid prijzen, klagen over lekken of gemak van gebruik noemen. Deze content-vingerafdrukken helpen HyReC om te herkennen dat twee producten op elkaar lijken, ook als ze verschillende merknamen of licht afwijkende formuleringen hebben.

Gedrag, gewoonten en meningen mengen

Alleen tekst is niet voldoende, dus HyReC leert ook van hoe gebruikers zich daadwerkelijk gedragen. Een diep neuraal netwerk analyseert patronen van welke gebruikers welke items hebben beoordeeld en ontdekt verborgen verbanden — bijvoorbeeld dat mensen die bepaalde kinderwagens waarderen ook vaak specifieke autostoeltjes goed vinden. Daarbovenop berekent het systeem eenvoudige, interpreteerbare statistieken zoals iemands gemiddelde beoordeling, hoe kritisch of gul een gebruiker is, hoe vaak iemand interactie heeft en hoe scheef zijn beoordelingen zijn naar zeer hoge of zeer lage scores. Vergelijkbare statistieken worden voor producten berekend. Deze gedragsmatige samenvattingen helpen het systeem om te redeneren over gebruikers met weinig beoordelingen of over items die net zijn verschenen, en verzachten zo cold-startproblemen.

Het model laten beslissen wat het belangrijkst is

De belangrijkste innovatie in HyReC is hoe het deze verschillende signalen samenvoegt. In plaats van simpelweg alle cijfers op te stapelen, gebruikt het een "attention"-mechanisme dat leert om content, collaboratieve patronen en gedragsstatistieken verschillend te wegen voor elk gebruikers–product-paar. Voor de ene koper kan de tekst in recensies het meest doorslaggevend zijn; voor een ander kunnen eerdere beoordelingspatronen domineren. Het model voert deze samengestelde representatie vervolgens in een rangschiklaag die specifiek is ontworpen om kandidaatitems te sorteren, zodat de meest relevante bovenaan komen. Training gebeurt met optimalisatietechnieken afgestemd op rangschikkingstaken, wat het systeem helpt goed te presteren op realistische "Top-K" aanbevelingslijsten in plaats van alleen op ruwe voorspellingen van beoordelingen.

De aanpak bewijzen met echte winkeldata

Om HyReC te testen gebruiken de auteurs een Amazon Baby-productendataset met meer dan 56.000 recensies verdeeld over duizenden gebruikers en items. Ze vergelijken hun model met meerdere moderne baselines, inclusief deep learning- en grafiekgebaseerde benaderingen. HyReC levert aanzienlijk lagere voorspelfouten en bijna perfecte overeenstemming met daadwerkelijke gebruikersbeoordelingen, en behaalt zeer hoge recall- en F1-scores wanneer het als rangschikkingssysteem wordt geëvalueerd. Verdere experimenten tonen aan dat het weglaten van één component — tekst-embedings, collaboratieve signalen, gedragsstatistieken, attention of de rangschiklaag — de prestaties merkbaar verslechtert, wat benadrukt dat elk onderdeel een aparte en belangrijke rol speelt.

Wat dit betekent voor alledaagse gebruikers

Eenvoudig gezegd laat dit werk zien dat aanbevelingssystemen slimmer en transparanter kunnen worden door te combineren wat mensen zeggen, wat ze doen en hoe ze zich in de loop van de tijd gedragen, in plaats van op een enkele informatiebron te vertrouwen. Voor shoppers kan dit betekenen: relevantere suggesties, betere ontdekking van nieuwe of nicheproducten en minder frustrerende missers tijdens het browsen. Voor bedrijven biedt het een schaalbare manier om met schaarse data en veranderende smaken om te gaan zonder dat hun systemen totale black boxes worden. De auteurs suggereren dat toekomstige uitbreidingen nog rijkere signalen — zoals afbeeldingen of langetermijn feedbackloops — kunnen toevoegen om online personalisatie dichter bij de begeleiding van een attente menselijke verkoper te brengen.

Bronvermelding: Rajpoot, C.S., Tiwari, V. & Vishwakarma, S.K. A hybrid recommendation framework utilizing domain-adaptive RoBERTa embeddings for enhanced personalization in e-commerce. Sci Rep 16, 14541 (2026). https://doi.org/10.1038/s41598-026-38853-5

Trefwoorden: aanbevelingssystemen, e-commerce personalisatie, hybride aanbeveling, deep learning, gebruikersgedrag