Шопинг за мыслью: модель искусственного интеллекта подберёт точные рекомендации по интересам пользователя

 

Рекомендательная AI-модель лучше аналогов предсказывает покупательское поведение людей, сообщается на сайте банка.

 

Новая модель искусственного интеллекта (AI), которую разработали исследователи Лаборатории искусственного интеллекта и блока «Риски» Сбербанка в партнёрстве с коллегами из Сколтеха помогает лучше прогнозировать корзину покупок клиентов. Это позволяет использовать её для более точных рекомендаций.

 

Научная статья Label Attention Network for Temporal Sets Prediction: You Were Looking at a Wrong Self-Attention опубликована в сборнике 27-й Европейской конференции по искусственному интеллекту — одной из ведущих конференций по искусственному интеллекту в Евразии ранга А.

 

Сегодняшние подходы не слишком эффективны, так как неправильно интерпретируют историю поведения клиентов. Авторы статьи разработали альтернативный метод: сначала собирается вся доступная информация, акцентируя внимание на времени событий и связи между ними, после чего эти данные передаются для дальнейшей обработки. Благодаря такому подходу система учится быстрее и точнее распознает зависимости между разными аспектами событий.

 

Предложенная модель LANET предсказывает действия клиентов и компаний, чьи исторические данные по аналогии можно представить в виде последовательности продуктовых корзин. Точное предсказание будущего поведения даёт бизнесу возможность в моменте принимать верные решения, снижая риски потери клиента. Исследование имеет большую практическую значимость для компаний, которые работают в области рекомендательных систем, и учёных, ведущих исследования в этой перспективной сфере.

 

Эффективность работы предложенной модели была протестирована на различных наборах данных. Результаты экспериментов показали значительное превосходство модели LANET — относительный прирост точности прогнозирования по сравнению с лучшими известными подходами в ряде случаев достигло 65%. Также учёные проанализировали влияние отдельных компонентов модели на итоговый результат и исследовали причинно-следственные связи между событиями. Модель выложена в открытый доступ, что открывает широкие возможности для её использования на рынке рекомендательных систем.