Personalized Search

อีกตัวอย่างนึง คนไทยใช้ facebook กันเยอะครับ เคยรู้สึกไหมครับ ว่า เวลาเรากด like โพสต์จากคน หรือ เพจหนึ่งบ่อยๆ เข้า เราเริ่มจะเห็น โพส เจ้าของโพสบ่อยมากยิ่งขึ้น มันดู personalize กับผู้ใช้งานนั้นมากเลย

รูปจาก https://www.iconvix.com/edgerank-algorithm/

EdgeRank[2,6] เป็นอัลกอริทึมแรกเริ่มของ facebook ในการจัดเรียงลำดับ โพสต์ต่างๆ ให้เราได้เห็นกัน โดยมีองค์หลักอยู่ 3 ส่วนด้วยกัน หลักๆ คือ

1. ระดับความสัมพันธ์กันของคุณกับ creator อื่นๆ (Affinity)

2. คุณภาพของโพสต์วัดจากปฏิสัมพันธ์ที่เกิดขึ้น เช่น comment ดีกว่า like (Weight)

3. ความใหม่ของโพสต์ (Decay)

จะเห็นได้ว่า

ที่มาของข้อมูลที่ใช้ในการปรับแต่งการค้นหาจะมีด้วยกัน 3 องค์ประกอบ[8] คือ

1. ประวัติการค้นหา การใช้งาน (Search/Surf History)

2. ข้อมูลตำแหน่งเชิงกายภาพ (Location)

3. ความเป็นตัวตน (Social)

ซึ่งการปรับแต่งให้เหมาะสมสำหรับตัวบุคคล วิธีทั่วไปสองวิธีที่สามารถทำได้คือ

ซึ่งถ้าหากต้องการ feature การค้นหาที่ personalize กับพฤติกรรมการใช้งานดังที่กล่าวมา เรามีท่าอย่างไรให้ลองใช้กันบ้าง บน elasticsearch มีดังนี้ครับ

ปรับแต่งการค้นหาโดยใช้ Function score query

function score[3] สามารถแก้ไข ปรับแต่งคะแนนความสำคัญของ document ที่ได้จากการค้นหาได้

โค้ด(dsl-json) ที่ใช้ในการ query ในตัวอย่างเอาได้จาก gist นี้น่ะครับ

query ข้างบนเป็นการค้นหาด้วยคำค้น "การ์ดแสดงผล" โดยที่หากพบคำว่า ASUS จะคูณคะแนนผลลัพธ์ที่ได้ 3 และหากพบคำว่า MSI จะคูณคะแนนผลลัพธ์ที่ได้ 5

ผลลัพธ์การค้นหาที่ได้

"_score": 12.945694, "name": "VGA (การ์ดแสดงผล) MSI GTX 1080 Ti ARMOR 11G OC"
"_score": 7.842023,  "name": "VGA (การ์ดแสดงผล) ASUS CERBERUS GTX1070TI A8G"
"_score": 2.5891387, "name": "VGA (การ์ดแสดงผล) INNO3D GTX 1070 Ti X2 V2 8GB (..."

เทียบกับผลลัพธ์จากการค้นหาด้วย "การ์ดแสดงผล" ที่ไม่มี function score

"_score": 2.6140077,  "name": "VGA (การ์ดแสดงผล) ASUS CERBERUS GTX1070TI A8G"
"_score": 2.5891387,  "name": "VGA (การ์ดแสดงผล) INNO3D GTX 1070 Ti X2 V2 8GB (..."
"_score": 2.5891387,  "name": "VGA (การ์ดแสดงผล) MSI GTX 1080 Ti ARMOR 11G OC"

ซึ่ง การปรุงแต่งผลลัพธ์การค้นหานี้ทำอยู่ภายใต้ สมมุติฐานที่ว่า

B2 : หรือพูดสั้นๆ ว่า ยิ่งซื้อของเค้าเยอะ เท่าไหร่ ก็ยิ่งมีโอกาสเลือกของยี่ห้อนั้นอีกมากเท่านั้นแหล่ะ

B1 : ขอบคุณนะ B2

ซึ่งในความเป็นจริง จะ

ตั้งสมมุติฐานตามพฤติกรรมของผู้ใช้ เพื่อตอบโจทย์ความต้องการ

น่ะครับ

B1 : แล้วถ้าจะทำระบบจริงๆ มันต้องทำไรเพิ่มเติมบ้างอ่ะ

Practical Use

use case diagram ของ ระบบ web e-commerce ตัวอย่าง

และเมื่อผู้ใช้ทำการค้นหาอีกครั้ง การค้นหาจะถูกปรับแต่งโดยใช้ข้อมูลบันทึกที่ผู้ใช้คนนั้นกระทำมาก่อนเข้าไปด้วย  โดยเกิดขึ้นที่ use case ชื่อ Get Individual Transaction History ทำให้ผลลัพธ์ออกมาเฉพาะกับตัวบุคคลมากยิ่งขึ้น

B1 : แล้วอย่างนี้ค่า weight ที่ได้มันคิดมาได้ไง จากการบันทึกการค้นหา

ค่า weight แสดงถึง การให้ความสำคัญของแบรนด์นั้นๆ โดยที่หาก weight มากกว่าแสดงว่าผู้ใช้สนใจแบรนด์นั้นมากกว่า วิธีหนึ่งสามารถคำนวณได้จาก multivariate linear polynomial[5] โดยที่ แต่ละตัวแปรเป็น จำนวนครั้งของการกระทำแบบหนึ่งของผู้ใช้กับสินค้าแบรนด์นั้น

B1 : เฮือก "มัลไทแวรู่ ลิเนี่ย โพลิโนเมียล"

B2 : พหุนามดีกรีหนึ่งหลายตัวแปรน่ะ มันอ่านว่า "มัลไทแวเรียท" น่ะ

ซึ่งสัมประสิทธิ์เป็น bias สำหรับบอกว่า การกระทำไหนสำคัญกว่ากัน เช่น การซื้อสำคัญกว่า การดูข้อมูล เราก็กำหนดให้ สัมประสิทธิ์ของ ตัวแปรที่แทนจำนวนครั้งการซื้อสินค้าแบรนด์นั้น มากกว่าการกดดูข้อมูล ได้

B2 : Weight( View, Purc, Fav, Comt) = ( 1 + ( View + 2*Purc + Fav + Comt) ) / Total

       งี้ก็ได้

B1 : พอเข้าใจ (ว่าแต่ทำไมมันต้องหาร Total ด้วยนะ)

นอกจากนี้ การปรับแต่งดังที่กล่าวมาสามารถเพิ่มความสามารถได้โดย ใช้พฤติกรรมการซื้อของ ผู้ใช้งานคนอื่นๆ มาช่วยปรับแต่งผลการค้นหาของเราได้ หรือเรียกว่า

ปรับแต่งโดยใช้พฤติกรรมที่คล้ายคลึงกับเรา มานำเสนอเรา

ด้วยวิธีการ Collaborative Filtering[4,8,9] ได้อีกด้วย แต่ขอยังไม่กล่าวถึงรายละเอียด ณ ที่นี้ครับ

B2 : ถ้าไม่เคยทำ Personalized Search มาก่อน ก็อย่าเพิ่งข้ามไปท่ายากเลย ใช้แค่ พหุนามก่อนก็ได้

เพื่อนๆ อย่าลืมว่า นอกจากประวัติการใช้งานแล้ว ยังมีอีก หลายแหล่งข้อมูลที่ใช้ในการปรับแต่งการค้นหาได้ด้วย เช่น ข้อมูลตำแหน่งเชิงกายภาพ หรือ ความเป็นตัวตนของผู้ใช้งานด้วย

สรุปให้สั้นๆ บน elasticsearch มีท่า function score query ที่ใช้ในการปรับแต่งผลการค้นหา ให้ตรงกับตัวบุคคลของผู้ใช้งานได้ ภายใต้สมมุติฐานหนึ่งๆ โดยการตั้งสมมุติฐานควรจะตั้งให้สอดคล้องกับพฤติกรรมของผู้ใช้ เพื่อตอบโจทย์ความต้องการให้ได้มากที่สุดครับ

ทีนี้ก็หวังว่า

ในบทความถัดไปจะเป็น ตอนที่ 2 ของการปรับแต่งผลการค้นหา ด้วย search ranking โดยใช้ elasticsearch

ถ้ามีความคิดเห็น หรือข้อสงสัย อยากจะแชร์ก็ comment ด้านล่างนี้ได้เลยครับ

อ้างอิง

[1] https://en.wikipedia.org/wiki/Personalized_search

[2] http://edgerank.net/#Why-should-I-care-about-EdgeRank

[3] https://www.elastic.co/guide/en/elasticsearch/reference/6.1/query-dsl-function-score-query.html

[4] https://tupleblog.github.io/spotify/

[5] http://www.mathamazement.com/Lessons/Pre-Calculus/00_Prerequisites/polynomials.html

[6] https://www.iconvix.com/edgerank-algorithm/

[7] https://www.youtube.com/watch?v=EKuG2M6R4VM

[8] https://medium.com/@thanachart.rit/%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-recommendation-engine-collaborative-filtering-%E0%B9%82%E0%B8%94%E0%B8%A2-python-e81fbb774fc1

[9] https://developers.ascendcorp.com/%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-recommendation-engine-%E0%B8%88%E0%B8%B2%E0%B8%81-collaborative-filtering-3d1d68849102

[10] https://gist.github.com/GarKoZ/cb4427c8b132947c406ad3394864b7c2

บทเรียนก่อนๆ

• lesson 1 : https://blog.thinknet.co.th/tech/elasticsearch-lesson-1%C2%A0-simple-thai-search-engine
• lesson 2 : https://blog.thinknet.co.th/tech/elasticsearch-lesson-2-approaches-for-named-entity-field-search
• lesson 4 : https://blog.thinknet.co.th/tech/elasticsearch-lesson-4-search-ranking-and-scoring-function