Een op switching gebaseerd deep learning‑kader voor gepersonaliseerde en adaptieve e‑commerce aanbevelingen

Waarom slimmer online aanbevelingen ertoe doen

Elke keer dat u online winkelt, raadt een algoritme achter de schermen wat u mogelijk hierna wilt zien. Mensen gebruiken winkelsites echter op heel verschillende manieren: sommigen zijn net aangekomen, anderen zoeken toevallig rond en weer anderen zijn trouwe vaste klanten. Dit artikel introduceert een nieuw aanbevelingskader dat zich in realtime aan deze verschillen aanpast, met als doel productaanbevelingen nauwkeuriger, eerlijker en nuttiger te maken voor iedereen — van eerstekeerbezoekers tot fervente kopers.

Drie typen shoppers, niet één

De auteurs beginnen met het betogen dat alle gebruikers hetzelfde behandelen een recept is voor zwakke aanbevelingen. Ze verdelen shoppers in drie brede groepen op basis van hoeveel ze met de site omgaan. “Nieuwkomers” hebben vrijwel geen geschiedenis, misschien slechts een paar zoekopdrachten of klikken. “Lichte gebruikers” hebben een handvol bezoeken of aankopen gedaan. “Zware gebruikers” hebben een lange reeks weergaven, klikken, toevoegingen aan het winkelwagentje, beoordelingen en bestellingen. Elke groep genereert verschillende soorten en hoeveelheden data, dus een one‑size‑fits‑all algoritme worstelt om hen allemaal even goed te bedienen.

Nieuwe bezoekers helpen met afbeeldingen en beschrijvingen

Voor gloednieuwe gebruikers werkt de gebruikelijke truc — zoeken naar patronen in hun verleden — simpelweg niet omdat die geschiedenis ontbreekt. Het voorgestelde systeem pakt dit “cold start”-probleem aan door te vertrouwen op de producten zelf. Het gebruikt een neuraal netwerk dat leert van zowel productafbeeldingen als hun geschreven details, zoals titel, merk, categorie en prijs. Deze verschillende informatiefragmenten worden gecombineerd tot een gedeelde numerieke representatie, zodat producten met vergelijkbare looks en beschrijvingen dicht bij elkaar komen te liggen in deze abstracte ruimte. Wanneer een nieuwe bezoeker een eenvoudige zoekopdracht invoert of een paar items aanklikt, brengt het systeem die acties in dezelfde ruimte in kaart en retourneert nabijgelegen producten, waarmee het smaak raadt op basis van uiterlijk en tekst in plaats van op langetermijngewoonten.

Casual shoppers bedienen met lichtgewicht matching

Lichte gebruikers geven enkele directe aanwijzingen — zoals een klein aantal weergaven of eerdere aankopen — maar nog steeds niet genoeg voor zeer complexe methoden. Voor deze groep gebruikt het kader een gestroomlijnd “two‑tower” model. De ene toren vat samen wie de gebruiker is en wat hij tot nu toe heeft gedaan; de andere vat productkenmerken samen. Tijdens het trainen leert het systeem de representatie van de gebruiker dichter naar items te trekken waarmee hij heeft geïnterageerd en deze van andere af te duwen. Dit ontwerp maakt zeer snelle doorzoeken van grote catalogi mogelijk om een shortlist van veelbelovende items te selecteren. Tests tonen aan dat, na training, de kans dat het juiste item in de top 10 suggesties verschijnt ongeveer verdubbelt en dat de rangschikkingskwaliteit aanzienlijk verbetert vergeleken met een niet‑getrainde versie.

Zware gebruikers aandrijven met veel signalen tegelijk

Zware gebruikers laten rijke sporen achter: wat ze bekijken, wat ze kopen, hoe ze items beoordelen, en meer. In plaats van zich te concentreren op slechts één van deze gedragingen, bouwen de auteurs een multi‑task model dat leert meerdere doelen tegelijk aan te pakken. Een gedeelde kern representeert zowel gebruikers als producten; daarboven voorspelt de ene tak beoordelingen terwijl een andere voorspelt welke items een gebruiker waarschijnlijk als volgende kiest. Het samen trainen van beide taken laat overvloedige maar lawaaierige signalen zoals productweergaven het leren versterken voor zeldzamere maar informatievere signalen zoals beoordelingen. Experimenten laten zien dat modellen die alleen voor ratings of alleen voor retrieval zijn afgestemd goed presteren op hun ene doel maar slecht op het andere, terwijl het gezamenlijke model een beter algemeen evenwicht bereikt.

Op het juiste moment het juiste hulpmiddel inschakelen

Het sleutelidee dat deze onderdelen samenbindt is een switching‑mechanisme dat het juiste model kiest op basis van ieders huidige betrokkenheidsniveau. Terwijl iemand zich ontwikkelt van nieuw bezoeker naar casual shopper naar frequente klant, volgt het systeem veranderingen in activiteit en leidt het hun data automatisch naar de meest geschikte module. Over alle drie de groepen vermindert dit adaptieve ontwerp voorspellingsfouten, verhoogt het hit‑percentages en maakt het beter gebruik van de vele zwakke signalen die moderne platforms verzamelen. In dagelijkse bewoordingen betekent dit dat uw "Aanbevolen voor u"‑lijst relevant kan blijven, of u nu net bent aangekomen of al jaren op de site winkelt, zonder dat de behoeften van de ene groep die van een andere overschaduwen.

Bronvermelding: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

Trefwoorden: e‑commerce aanbeveling, gepersonaliseerd winkelen, deep learning, gebruiker gedrag, aanbevelingssystemen