تہانوں کیہ پسند آوے گا، ایہہ تسیں الگورتھم نالوں چنگا جاندے او
ریکمنڈر سسٹم (recommender systems) بہتا کر کے ایہہ طے کردے نیں کہ لوک کیہ ویکھدے، پڑھدے تے خریددے نیں؛ Netflix اُتے، 2015 دے اک پیپر مطابق جیہدا حوالہ لکھاریاں نے دتا اے، ریکمنڈر «سٹریم کیتے گئے لگ بھگ 80% گھنٹیاں لئی چون اُتے اثر پاندا اے»۔ کم کرن لئی، پلیٹ فارم نوں اندازہ لانا پیندا اے کہ ہر انسان نوں کیہ پسند آوے گا۔ ایہہ اوہ ورتاؤ توں سکھ سکدا اے — ریٹنگاں، کلکاں، اوہ ٹائٹل جو تسیں تے ملیناں ہور لوکاں نے پورے ویکھے — یا فیر بس پچھ سکدا اے۔
پچھنا مہنگا اے۔ MovieLens اُتے، جو فلماں نوں ریٹ کرن والی اک سائٹ اے، 3.0 ملین سوالاں وچوں 98.8% دا جواب نہیں دتا گیا۔ تے نظریہ آپس وچ ٹکراؤندیاں صلاحاں دیندا اے۔ اک روایت، جیہنوں لکھاریاں نے ہجوم والا نظریہ (crowd view) آکھیا اے، آکھدی اے کہ بہت سارے لوکاں توں بنائے انکڑے (statistics) انفرادی فیصلے نوں ہرا دیندے نیں، تے لوک اپنے مزے دا اندازہ لان وچ ماڑے نیں۔ دوجا، کھلرے ہوئے علم (dispersed knowledge) دا نظریہ، آکھدا اے کہ ساڈے وچوں ہر اک کول اجیہی جانکاری اے جو کوئی ڈیٹابیس درج نہیں کردا: تہانوں ڈائریکٹر دا پہلا کم بہت پسند سی پر تسیں اوہنوں کدی ریٹ نہیں کیتا، ٹریلر نے تہانوں ٹھنڈا ای چھڈ دتا، جیہدے ذوق اُتے تہانوں بھروسہ اے اوس دوست دیاں ایہدے بارے گلاں مُکدیاں ای نہیں۔
ہوم پیج اُتے اک سوال
Stevens Institute of Technology دے Zihan Chen تے Di Zhu، تے University of Massachusetts Boston دے Lei Nico Zheng نے اک اجیہا ڈیٹاسیٹ ورتیا جو ایہہ جانچ ممکن بناندا اے۔ MovieLens، اک غیر تجارتی ریکمنڈر جیہنوں University of Minnesota دی GroupLens لیب چلاندی اے، نے مارچ 2023 توں مئی 2024 تیکر اپنے ہوم پیج اُتے اک سوال رکھیا۔ ایہہ اک فلم دا ٹائٹل وکھاندا سی تے پچھدا سی کہ کیہ ممبر نے اوہ ویکھی اے۔ جے نہیں: تہاڈے خیال وچ تسیں اوہنوں کِنے ستارے دیو گے، ادھے ستارے توں پنج تیکر؟
اجیہے 26,020 اندازیاں وچوں، 551 — 277 ممبراں ولوں — دے بعد گھٹو گھٹ اک دن مگروں اک اصل ریٹنگ آئی۔ بالکل ایہناں جوڑیاں اُتے، ٹیم نے اندازے دا مقابلہ چار مشیناں نال کیتا: MovieLens دے اپنے ریکمنڈر دی پیش گوئی، دو کلاسیکی ریکمنڈیشن الگورتھم جو 33 ملین پہلاں دیاں ریٹنگاں اُتے سکھلائے گئے سن تے اندازے دے ویلے تیکر ممبر دی ریٹ کیتی ہر شے نال اپ ڈیٹ کیتے گئے سن، تے اک «سٹیک» (stack) جو ہر مشینی پیش گوئی نوں اوس جانکاری نال رلاندا سی جو پلیٹ فارم نوں فلم تے ممبر بارے پتا سی۔
لوک جت جاندے نیں
ممبر دے اندازے دا بعد والی ریٹنگ نال تعلق 0.69 سی۔ سکھلائے گئے الگورتھم 0.54 توں 0.59 تیکر اپڑے؛ MovieLens دی اپنی پیش گوئی، 0.34۔ اوسطاً، اندازہ بعد والی ریٹنگ توں 0.61 ستارے کھنجیا، جدکہ کسے وی مشین لئی ایہہ گھٹو گھٹ 0.72 سی۔ ایہہ لگ بھگ بنا جھکاؤ (unbiased) وی سی، جدکہ MovieLens نے بعد والی ریٹنگ نوں ادھے ستارے جِنا ودھا کے اندازیا۔
فائدہ صرف ایہہ جاننا نہیں کہ کیہڑیاں فلماں چنگیاں نیں یا ریٹنگ کِنے کھلے دل نال کیتی جاندی اے۔ فلم دی اوسط کشش تے ممبر دی عام فراخدلی کڈھ دیو، تے اندازہ فیر وی اوہ شے جو بچدی اے — ایس انسان تے ایس فلم وچکار ذاتی میل — مشیناں نالوں کتے چنگی طرحاں دسدا اے (0.63، جدکہ مشیناں دا زیادہ توں زیادہ 0.47)۔
مشیناں نوں جو کجھ پتا سی، اوہدے نال جوڑیا جاوے تے، اندازے نے پیش گوئی دی غلطی 26% گھٹا دتی۔ الٹ گل سچ نہیں سی: اندازے نال ساری مشینی جانکاری جوڑن نال کوئی پھڑن جوگ فائدہ نہیں ہویا۔
جتھے مشیناں برابر آ جاندیاں نیں
ترتیب (ordering) لئی تصویر ودھ متوازن اے۔ دو اجیہیاں فلماں لوو جیہناں نوں ممبر نے بعد وچ وکھ وکھ ریٹ کیتا: اندازے نے اوہناں نوں 72% واری ٹھیک ترتیب وچ رکھیا۔ MovieLens 56% تیکر اپڑیا — سکہ اچھالن نال 50% آؤندا اے — پر سکھلائے گئے الگورتھم 64 توں 67% تیکر اپڑے، جیہنوں لکھاریاں نے شماریاتی طور تے انسان توں وکھ نہ کیتا جا سکن جوگا پایا۔
تے جانی پچھانی زمین اُتے، مشیناں برابر یا بہتر کردیاں نیں۔ اوہناں فلماں لئی جیہناں نوں ممبراں نے اصل وچ سال پہلاں ریٹ کیتا سی — پرانیاں، بہت زیادہ ریٹ کیتیاں فلماں، جیہناں نوں سائٹ دے سب توں ودھ ورتن والیاں نے ریٹ کیتا — الگورتھماں نے انسان دی برابری کیتی یا اوہنوں ہرا دتا۔ انسان دی برتری اوتھے سب توں ودھ اے جتھے ڈیٹا پتلا اے: گھٹ ریٹ کیتیاں فلماں لئی (0.65، جدکہ اک الگورتھم لئی 0.41 تے MovieLens لئی 0.13) تے اوہناں صنفاں (genres) لئی جو ممبر ولوں کدی کدائیں ای ریٹ کیتیاں جاندیاں نیں۔
کیہ مدد نہیں کردا
دو شارٹ کٹ ناکام رہندے نیں۔ کسے ممبر دے ہور فلماں بارے پہلے اندازے، بھاویں اوہناں فلماں دی مشابہت دے حساب نال اوہناں نوں وزن دتا جاوے، ہتھلی فلم بارے تازہ اندازے دی تھاں نہیں لے سکدے۔ تے لوکاں توں ایہہ پچھنا کہ اوہ کِنے پکے نیں، لگ بھگ کجھ وی نہیں جوڑدا: یقین بہتا کر کے انتہائی رائیاں ول اشارہ کردا اے، تے سب توں پکے ممبر کجھ حد تیکر لوڑ توں ودھ پر امید نکلے۔
لکھاریاں نے ایہہ وی جانچیا کہ لوک بس سائٹ اُتے وکھائی گئی پیش گوئی دی نقل تے نہیں کر رہے سن: اوہناں دے اندازے اوہدے نال لگ بھگ اونی ای واری ملدے سن جِنی واری اتفاق نال ملنے سن۔
پلیٹ فارماں لئی چار اصول
ایہناں نتیجیاں توں ٹیم ڈیزائن دے چار اصول کڈھدی اے: کسے خاص شے دی متوقع ریٹنگ پچھو؛ اوہناں شیواں بارے پچھو جیہناں بارے ہُنے فیصلہ ہو رہیا اے؛ ریکمنڈراں نوں اوہناں سب توں اُتلے امیدواراں اُتے پرکھو جیہناں نوں اوہ اصل وچ دوبارہ ترتیب (re-rank) دیندے نیں، جتھے MovieLens نے جوڑیاں وچوں صرف 56% ٹھیک ترتیب وچ رکھے؛ تے کسے وی الگورتھم دا لوکاں نال مقابلہ کرن توں پہلاں اوہنوں اوہ سب کجھ دیو جو پلیٹ فارم جاندا اے۔
پیپر وچ حداں صاف دسیاں گئیاں نیں۔ 551 جوڑے سارے اندازیاں دا 2.1% نیں، اک ای سائٹ دے شوقیناں ولوں، تے لوک اوہی ریٹ کردے نیں جو اوہناں نے ویکھن لئی چنیا۔ لکھاریاں دی صلاح اے کہ اک بے ترتیب (randomised) تجربہ دسے گا کہ کیہ پچھن نال اوہ سفارشاں (recommendations) سچ مچ بہتر ہوندیاں نیں جیہناں اُتے لوک چلدے نیں۔ اوہدے تیکر، نتیجہ اوویں ای کھلوتا اے جیویں اوہناں دا ٹائٹل آکھدا اے: تہاڈے سامنے والی فلم بارے تسیں کجھ اجیہا جاندے او جو کسے ریٹنگ ہسٹری نے درج نہیں کیتا۔
