DeepSentRec: system rekomendacyjny uwzględniający emocje oparty na głębokim uczeniu

Dlaczego ważne są mądrzejsze propozycje

Za każdym razem, gdy robisz zakupy online, oglądasz serial lub przeglądasz opinie o restauracjach, niewidoczne algorytmy decydują, co zobaczysz dalej. Te systemy często jednak pomijają coś istotnego: jak naprawdę czujesz się w związku z tym, co kupujesz lub oglądasz. W tym artykule przedstawiono DeepSentRec — nową ramę rekomendacyjną, która stara się odczytać nie tylko to, co kliknąłeś, ale także ton twoich napisanych recenzji — twoje podekscytowanie, rozczarowanie czy obojętność — i wykorzystać ten sygnał emocjonalny do dostosowywania przyszłych propozycji w bardziej ludzkim stylu.

Od ocen gwiazdkowych do rzeczywistych uczuć

Większość istniejących silników rekomendacyjnych silnie polega na liczbach: ocenach w gwiazdkach, wcześniejszych kliknięciach i historii zakupów. Traktują recenzje użytkowników głównie jako długi, nieuporządkowany tekst trudny do wykorzystania na dużą skalę. W efekcie przegapiają bogate wskazówki, na przykład czy ocena trzygwiazdkowa została wystawiona z niechętną akceptacją, czy z lekką aprobatą. Wcześniejsze badania wykazały, że uwzględnienie sentymentu — pozytywnych, neutralnych lub negatywnych uczuć wyrażonych w tekście — może poprawić personalizację, ale wiele systemów włącza to jedynie jako płytki dodatek, zamiast uczynić to centralnym elementem tworzenia i ustalania rankingów rekomendacji.

Trzy „mózgi” współpracujące razem

DeepSentRec zaprojektowano jako trójczęściową potokową architekturę, która splata emocje, zachowanie i uczenie się na podstawie informacji zwrotnej w jedną pętlę. Najpierw moduł sentymentu o nazwie SentimentBERT analizuje tekst recenzji i generuje szczegółowy odcisk emocjonalny dla każdej recenzji, a nie tylko prosty kciuk w górę lub w dół. Po drugie, hybrydowy moduł rekomendacyjny łączy dwa spojrzenia na świat: ludzi, którzy zachowywali się podobnie do ciebie (filtracja kolaboratywna), oraz produkty, których recenzje niosą podobne znaczenia i uczucia (podobieństwo semantyczne). Po trzecie, moduł learning-to-rank oparty na uczeniu ze wzmocnieniem ciągle przetasowuje kolejność proponowanych produktów w zależności od reakcji użytkowników — czy klikają, kupują, czy ignorują pozycje.

Uczenie się od wielu głosów

Aby sprawdzić, czy ta architektura faktycznie pomaga użytkownikom znaleźć bardziej trafne przedmioty, autorzy trenowali i oceniali DeepSentRec na czterech dużych, rzeczywistych zbiorach danych: recenzjach produktów Amazon, recenzjach biznesów Yelp, recenzjach filmów IMDB oraz zbiorze opinii e‑commerce z Kaggle. Zanim rozpocznie się jakiekolwiek uczenie, tekst jest starannie oczyszczany i dzielony na fragmenty odpowiednie dla nowoczesnych modeli językowych. SentimentBERT najpierw jest trenowany na dobrze oznakowanych recenzjach filmów, a następnie dostrajany na danych z Amazon i Yelp, aby móc dostosować się do różnych stylów pisania i domen. System buduje także zwarte reprezentacje tego, jak każdy użytkownik wchodzi w interakcję z każdym produktem, a następnie łączy je z osadzaniami tekstowymi uwzględniającymi sentyment, tworząc bogatszy obraz gustów.

Przekształcanie informacji zwrotnej w lepsze rankingi

Najbardziej charakterystycznym elementem DeepSentRec jest traktowanie rankingu jako trwającej rozmowy, a nie statycznego obliczenia. Z wykorzystaniem techniki uczenia ze wzmocnieniem zwanej Proximal Policy Optimization, system traktuje każdą uporządkowaną listę jako decyzję, a każdą reakcję użytkownika jako nagrodę lub karę. Kliknięcia, zakupy i pominięcia są integrowane w wynik, który zachęca model do wyróżniania elementów przynoszących długoterminowe zaangażowanie, a nie tylko szybkie kliknięcia. Z czasem polityka rankingu poprawia się przez testowanie różnych porządków i zachowywanie tych, które prowadzą do bardziej znaczących interakcji, takich jak zakupy czy powtarzalne użycie.

Co wyniki pokazują dla realnych użytkowników

W zestawach danych e-commerce z Amazon i Kaggle, DeepSentRec konsekwentnie przewyższa tradycyjne metody opierające się wyłącznie na wcześniejszym zachowaniu lub prostym dopasowaniu tekstu. Dostarcza wyższą precyzję (większy odsetek najbardziej trafnych propozycji), lepsze recall (odkrywa więcej elementów, na których zależy użytkownikom) oraz silniejsze miary jakości rankingu. Co najważniejsze dla rzeczywistych platform, podnosi wskaźniki klikalności i ogólny wynik zaangażowania łączący różne sposoby reakcji użytkowników. Badania ablacjyjne — systematyczne usuwanie komponentów — pokazują, że każda część ma znaczenie: modelowanie sentymentu poprawia dokładność, hybrydowy model tekst-plus-interakcje zwiększa zasięg, a uczeń ze wzmocnieniem dodatkowo podnosi częstotliwość działań użytkowników na proponowanych pozycjach.

Co to oznacza dla codziennych rekomendacji

Mówiąc prosto, badanie sugeruje, że silniki rekomendacyjne stają się zauważalnie lepsze, gdy słuchają tego, co piszesz w recenzjach, tak uważnie jak obserwują, co klikasz, oraz gdy ciągle uczą się na podstawie twoich najnowszych zachowań zamiast polegać wyłącznie na stare wzorcach. DeepSentRec pokazuje, że łączenie tonu emocjonalnego, kontekstu z tekstu i ciągłej informacji zwrotnej może dawać rekomendacje, które wydają się bardziej aktualne, trafne i spersonalizowane. Choć obecna praca koncentruje się na recenzjach w języku angielskim i eksperymentach offline, wskazuje kierunek dla nowej generacji systemów adaptujących się w niemal czasie rzeczywistym i możliwych do rozszerzenia na wiele języków i domen, co potencjalnie sprawi, że doświadczenia cyfrowe — od zakupów po naukę — będą lepiej zgodne z tym, jak ludzie naprawdę czują i się zachowują.

Cytowanie: 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

Słowa kluczowe: systemy rekomendacyjne, analiza sentymentu, personalizacja e-commerce, głębokie uczenie, uczenie ze wzmocnieniem