En hybrid rekommendationsram som använder domänanpassade RoBERTa-embeddings för förbättrad personalisering i e-handel

Smartare shoppingförslag

Vem som helst som handlar på nätet har sett produktförslag som antingen träffar helt rätt — eller, lika ofta, är helt missvisande. Denna artikel utforskar ett nytt sätt att bygga rekommendationssystem så att de bättre förstår både vad produkterna egentligen handlar om och vad människor faktiskt gillar, även när det finns sparsam data från början. Målet är att göra de där ”Du kanske också gillar”-listorna mer träffsäkra, mer varierade och mer pålitliga för vardagliga kunder.

Varför onlineval ofta missar målet

Traditionella rekommendationssystem bygger på två huvudmetoder. Den ena jämför dig med personer som har agerat som du tidigare och föreslår artiklar som de gillade. Den andra ser på produktfunktioner — såsom kategori, märke eller enkla nyckelord — och matchar dem mot dina kända preferenser. Dessa tillvägagångssätt fallerar när data är glesa, när nya användare eller produkter dyker upp (”cold-start”-problemet), eller när dina preferenser förändras över tid. Många avancerade ”hybrida” system försöker kombinera flera signaler, men de blir ofta komplexa, långsamma och svåra att tolka, särskilt när de hanterar miljontals användare och objekt.

Att föra in språkförståelse i rekommendationer

Författarna föreslår en ram kallad HyReC som lutar sig starkt mot hur människor beskriver produkter i text. Den använder en kraftfull språkmodell, RoBERTa, som har vidaretränats på e-handelsrelaterad text för att bli ”flytande” i recensioner och produktbeskrivningar från babyprodukter. Denna modell omvandlar rå text — titlar, beskrivningar och topprecensioner — till täta numeriska avtryck som fångar betydelse och sentiment, till exempel om folk berömmer hållbarhet, klagar på läckage eller nämner användarvänlighet. Dessa innehållsavtryck hjälper HyReC att känna igen att två produkter är lika även om de har olika märken eller något annorlunda formuleringar.

Att blanda beteende, vanor och åsikter

Text räcker inte ensam, så HyReC lär sig också av hur användare faktiskt beter sig. Ett djupt neuralt nätverk analyserar mönster i vilka användare som betygsatt vilka artiklar och upptäcker dolda kopplingar — till exempel att personer som gillar vissa barnvagnar också tenderar att gilla särskilda bilbarnstolar. Utöver det beräknar systemet enkla, tolkningsbara statistikmått som varje användares genomsnittliga betyg, hur kräsen eller generös de är, hur frekvent de interagerar och hur snedfördelade deras betyg är mot mycket höga eller mycket låga poäng. Liknande statistik beräknas för produkter. Dessa beteendesummeringar hjälper systemet att resonera om användare med få betyg eller artiklar som just dykt upp, och underlättar cold-start-problem.

Låta modellen avgöra vad som väger tyngst

Den centrala innovationen i HyReC är hur den fusar dessa olika signaler. Istället för att bara stapla ihop alla siffror använder den en ”attention”-mekanism som lär sig att väga innehåll, kollaborativa mönster och beteendestatistik olika för varje användar–produkt-par. För en kund kan texten i recensionerna väga tyngst; för en annan kan tidigare betygsmönster dominera. Modellen matar sedan denna sammansatta representation in i ett rankningslager som är utformat specifikt för att sortera kandidatobjekt så att de mest relevanta kommer överst. Träningen sker med optimeringstekniker anpassade för rankningsuppgifter, vilket hjälper systemet att prestera väl på verkliga ”Top-K”-rekommendationslistor istället för bara på råa betygsprognoser.

Att bevisa metoden på verkliga köpdata

För att testa HyReC använder författarna en Amazon Baby-produktdataset innehållande över 56 000 recensioner över tusentals användare och produkter. De jämför sin modell mot flera moderna baslinjer, inklusive djupinlärnings- och grafbaserade metoder. HyReC ger dramatiskt lägre prognosfel och nästan perfekt överensstämmelse med faktiska användarbetyg, och uppnår mycket hög recall och F1-poäng när den utvärderas som ett rankningssystem. Ytterligare experiment visar att borttagning av någon komponent — textembeddings, kollaborativa signaler, beteendestatistik, attention eller rankningslagret — märkbart försämrar prestandan, vilket understryker att varje del spelar en distinkt och viktig roll.

Vad detta innebär för vardagliga användare

Enkelt uttryckt visar detta arbete att rekommendationssystem kan bli både smartare och mer transparenta genom att kombinera vad människor säger, vad de gör och hur de brukar bete sig över tid, i stället för att förlita sig på en enda informationskälla. För shoppare kan det innebära mer relevanta förslag, bättre upptäckt av nya eller nischade produkter och färre frustrerande missar vid surfning. För företag erbjuder det ett skalbart sätt att hantera gles data och skiftande smak utan att förvandla systemen till svarta lådor. Författarna föreslår att framtida utvidgningar kan ta in ännu rikare signaler — såsom bilder eller långsiktiga återkopplingsslingor — för att föra onlinepersonalisering närmare hur en omtänksam mänsklig försäljare skulle vägleda dina val.

Citering: 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

Nyckelord: rekommendationssystem, personalisering i e-handel, hybridrekommendation, djupinlärning, användarbeteende