นักวิจัยที่รวมตัวกันศึกษาสำรวจเกี่ยวกับระบบสร้างคำแนะนำ หรือ Recommender Community กระจายตัวอยู่ทั่วทุกมุมโลก รวมถึง ดร.ทิพาจินต์ ไทยพิสุทธิกุล อาจารย์ประจำกลุ่มวิชาวิทยาการคอมพิวเตอร์ คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล เองก็เป็นส่วนหนึ่งของชุมชนดังกล่าว โดย ดร.ทิพาจินต์ เล็งเห็นถึงความสำคัญของระบบสร้างคำแนะนำ (Recommender System) เนื่องจากศักยภาพในการที่จะช่วยขับเคลื่อนเศรษฐกิจ และสร้างรายได้ให้กับการพาณิชย์อิเล็กทรอนิกส์ อุตสาหกรรมการให้บริการ รวมถึงอุตสาหกรรมบันเทิง ทั้งยังเป็นที่มาของงานวิจัยเรื่อง “Exploiting Long-and Short-Term Preferences for Deep Context-Aware Recommendations”
“อย่างในงานวิจัยนี้ เป็นการประยุกต์โมเดลกับการแนะนำภาพยนตร์ เพราะส่วนตัวมองว่าอุตสาหกรรมบันเทิงพึ่งพาระบบให้คำแนะนำตรงนี้มาก และมีผลต่อการสร้างรายได้โดยตรง นอกจากนี้ยังต้องการทดสอบด้วยว่าโมเดลที่เคยพัฒนาไว้สามารถสรุปผล (generalize) กับสิ่งที่เราต้องการจะศึกษาอื่นๆ ด้วยได้รึเปล่า ด้วยความที่แต่แรกทีมวิจัยพัฒนาโมเดลไว้เพื่อการแนะนำสถานที่ท่องเที่ยวให้กับผู้สูงอายุที่ไต้หวัน ต่อมาเราจึงปรับโมเดลสำหรับแนะนำภาพยนตร์ โดยเพิ่มข้อมูลเพิ่มเติมของทางผู้ใช้เข้าไป ดังนั้น dataset จึงประกอบด้วยชื่อภาพยนตร์ สถานที่ รวมถึงข้อมูลบริบทของผู้ใช้งาน คือวันในสัปดาห์ที่ดูหนัง เวลา เดือน ปี ที่ดูหนังเข้ามาวิเคราะห์ด้วย”
LSCAR หรือ Long-and Short-Term Preferences for Deep Context-Aware Recommendations แตกต่างจากโมเดลสร้างคำแนะนำก่อนหน้าที่ประยุกต์ใช้ Recurrent Neural Networks (RNN) กับ Collaborative Filtering (CF) ด้วยคุณลักษณะการคำนึงถึงบริบท ความสนใจ และการเปลี่ยนแปลงความชอบของผู้ใช้งาน
“ทีมวิจัยเริ่มจากระดมสมองกันก่อน เพื่อคัดกรองว่าตัวแปรอะไรบ้างที่มีผลต่อการตัดสินใจดูภาพยนตร์ของผู้ใช้งาน เพราะเราต้องการปัจจัยที่มีความหลากหลายในตัวเอง อย่างผู้ใช้งานบางคนเค้าอาจจะให้ความสำคัญกับวันในสัปดาห์ แล้วก็ประเภทของหนัง บางคนอาจจะเลือกทั้งประเภท นักแสดง ผู้กำกับ พร้อมกันในเวลาเดียวกัน หรือบางคนอาจจะมีพฤติกรรมการดูหนังระยะยาวกับความสนใจระยะสั้นที่แตกต่างไปจากเดิม โมเดลการเรียนรู้เชิงลึก LSCAR พิเศษตรงที่สามารถอธิบายการตัดสินใจของโมเดลได้ สามารถเรียนรู้ score ว่าผู้ใช้คนนี้ เค้าสนใจหนังประเภทไหน ผู้กำกับคนไหนมากกว่ากัน แล้วก็ factor อย่างเช่นวันหรือว่าเดือน อันไหนที่มีผลต่อการตัดสินใจของเค้ามากกว่ากัน”
ทั้งนี้ การทำวิจัยเกี่ยวกับระบบให้คำแนะนำต้องเผชิญกับความท้าทาย เพื่อที่จะการันตีได้ว่าเป็นโมเดลที่สร้างองค์ความรู้ใหม่ให้กับ Recommender Community และยังต้องพบกับความกดดันที่ต้องพิสูจน์ให้เห็นเป็นประจักษ์ได้ว่า โมเดล LSCAR มีความแม่นยำ และใส่ใจกับบริบทของผู้ใช้งาน
“ความยากก็คือเราไม่รู้ว่ามันจะ work มั้ย แล้วเราก็จะต้องศึกษางานที่ทำมาก่อนให้ได้มากที่สุด เพื่อที่ว่าโมเดลของเราจะไม่ไปซ้ำกับที่คนอื่นทำ ตอนเริ่มทำพอเราหา gap ได้ แล้วตั้งสมมติฐานเป็นข้อๆ เสร็จ เราก็ต้องหาต่อว่าจะใช้โมเดลอะไรมานำเสนอสมมติฐานแต่ละข้อของเรา คือต้องไปตามว่าเทคโนโลยีตอนนี้ โมเดลที่เค้าใช้อยู่ ณ ตอนนี้ คืออะไร ความท้าทายก็คือการที่ต้องทำทุกๆ อย่างไปพร้อมๆ กัน แต่สุดท้าย พอเราได้เอาไปทดลองใช้ที่ไต้หวัน ก็ได้เห็นว่าคำแนะนำจากระบบ LSCAR มีแม่นยำอยู่พอสมควร ซึ่งถ้าเป็นตอนนี้ (ธันวาคม 2565) ก็บอกได้เลยว่าโมเดลมัน out ไปแล้ว”
กล่าวได้ว่า ระบบให้คำแนะนำควรให้ความสำคัญกับความแม่นยำเป็นหลักการพื้นฐาน แต่ต้องไม่ลืมความเป็นปัจเจกบุคคลของผู้ใช้งานผสมผสานเข้าไปด้วย ดร.ทิพาจินต์ จึงปิดท้ายไว้อย่างน่าสนใจ “อย่าละเลยการสร้างความแปลกใหม่ด้วยการแนะนำอะไรที่ผู้ใช้งานคาดไม่ถึง แต่ตรงกับความต้องการชมภาพยนตร์ของผู้ใช้งานด้วย”
- ดาวน์โหลดบทความวิจัยเรื่อง “Exploiting Long-and Short-Term Preferences for Deep Context-Aware Recommendations”: https://ieeexplore.ieee.org/abstract/document/9568244/
- ติดตามผลงานของ ดร.ทิพาจินต์ ไทยพิสุทธิกุล: https://www.researchgate.net/profile/Tipajin-Thaipisutikul