Улучшение системы персонализированных рекомендаций с помощью графовых сетей внимания, основанных на восприятии сложности и новизны

Почему более умные предложения важны

Каждый раз, покупая в интернете, вы сталкиваетесь с невидимым механизмом, который пытается угадать, какие товары вам понравятся. Большинство таких механизмов в основном отслеживают, по чему вы кликали, и звучат ли отзывы позитивно или негативно. В этой статье авторы утверждают, что такой подход слишком поверхностен. Они показывают, что понимание того, насколько продукт кажется «простым в использовании» и насколько он ощущается как «новый или изобретательный», может сделать рекомендации гораздо более точными и полезными. Авторы строят и тестируют новую систему рекомендаций, которая анализирует письменные отзывы, выявляет эти более глубокие восприятия и затем использует их, чтобы предлагать товары, лучше соответствующие уровню комфорта пользователей и их стремлению к новизне.

Взгляд дальше простого лайка или дизлайка

Традиционные системы рекомендаций во многом полагаются на звездные рейтинги и базовый анализ сентимента: положительный, отрицательный или нейтральный отзыв. Хотя это полезно, такой подход упускает важные нюансы. Гаджет может иметь высокие оценки и при этом вызывать трудности при настройке, а очень оригинальное устройство может восхищать одних покупателей и перегружать других. Авторы утверждают, что два упускаемых фактора — воспринимаемая сложность (насколько просто или сложно кажется использование продукта) и воспринимаемая новизна (насколько свежим или необычным он кажется) — сильно влияют на то, захочет ли человек купить и продолжать использовать продукт. Извлечение этих характеристик из обычного языка в отзывах могло бы помочь адаптировать рекомендации для пользователей, предпочитающих простые инструменты, и для тех, кто любит экспериментировать с передовыми решениями.

Обучение системы понимать нюансы в отзывах

Чтобы уловить эти тонкие сигналы, исследователи начали с тысяч обзоров товаров с Amazon. Люди-аннотаторы тщательно помечали каждый отзыв в соответствии с тем, насколько продукт казался сложным и насколько — инновационным, следуя строгим правилам и проверкам на согласованность. Затем они расширили эти метки с помощью инструментов обработки языка: словарей родственных слов, мер сентимента и методов объяснимого искусственного интеллекта, которые выявляют слова, наиболее сильно влияющие на решения системы. Этот процесс позволил автоматически оценивать новые отзывы по шкалам простоты — сложности и новизны — обыденности, при этом сохраняя правила разметки прозрачными и проверяемыми.

Преобразование мнений покупателей в сеть знаний

После разметки отзывов команда преобразовала каждый отзыв в богатое числовое представление, отражающее его значение в контексте. Они использовали современную языковую модель, которая учится размещать похожие предложения рядом в математическом пространстве, так что отзывы, описывающие «простую настройку», группируются вместе, а отзывы о «запутанных меню» образуют другую группу. На основе этого они построили граф — сеть связей, объединяющую отзывы и товары с похожими паттернами воспринимаемой сложности и новизны. Специализированная модель, называемая графовой сетью внимания, затем учится фокусироваться на самых информативных связях в этой сети, взвешивая, какие связанные товары и отзывы имеют наибольшее значение при прогнозировании того, заслуживает ли конкретный элемент сильной, средней или слабой рекомендации.

Сбалансирование данных и объяснение решений

Данные из реального мира обычно несбалансированы: может быть намного больше «рекомендуемых» товаров, чем «нерекомендуемых», или наоборот. Чтобы избежать смещённой системы, которая просто будет отдавать предпочтение большинству, авторы использовали приём, который синтезирует реалистичные дополнительные примеры для плохо представленных групп, выравнивая обучающую выборку без искажения фундаментальных закономерностей. Они также сочетали это со стратегиями взвешивания в процессе обучения, чтобы модель справедливо учитывала редкие случаи. Ключевым также стало применение методов объяснимого ИИ для проверки того, как система приходит к своим решениям, прослеживая, какие слова и паттерны в отзывах сильнее всего подтолкнули товар к ответам Да, Средне или Нет. Это делает поведение системы более понятным для разработчиков, бизнеса и, возможно, конечных пользователей.

Насколько хорошо работает новая система

Получившаяся система, названная GAT-RS, была протестирована против нескольких сильных современных базовых подходов, включая глубокие нейросети, которые уже хорошо справляются с анализом отзывов. GAT-RS не только сравнялась с ними, но и превзошла их, корректно классифицируя рекомендации примерно в 95 из 100 тестовых случаев и показывая очень высокую способность различать товары, которые следует предлагать, и те, которые не стоит. Основная оставшаяся проблема связана с разделением пограничных случаев — товаров, которые не являются однозначно рекомендуемыми или отвергаемыми — но даже здесь ошибки были относительно невелики. В целом система оказалась особенно сильной в выявлении предметов, заслуживающих уверенной рекомендации.

Что это значит для обычных покупателей

Говоря просто, исследование показывает, что рекомендательные движки могут работать лучше, чем просто выявление позитивного настроя в отзывах. Учитывая, ощущается ли продукт как простой или требовательный, и кажется ли он проверенным или смело новым, системы могут подбирать предложения в соответствии с индивидуальным стилем мышления и интересом к новизне. Для покупателей это может означать меньше сожалений о покупках, которые оказались слишком сложными или слишком скучными, и больше товаров, которые действительно подходят. Для бизнеса это открывает путь к более надёжным и эффективным инструментам рекомендаций, которые не только точны, но и объясняют, почему тот или иной товар был предложен.

Цитирование: Ullah, S., Khan, A., Khan, K.U. et al. Improving personalized recommendations system using graph attention networks driven by perceived complexity and innovation. Sci Rep 16, 11286 (2026). https://doi.org/10.1038/s41598-026-41019-y

Ключевые слова: персонализированные рекомендации, отзывы о товарах, графовые сети внимания, воспринимаемая сложность, воспринимаемая новизна