SemantiClean: framework do audytowalnego wnioskowania o zachowaniach w e-commerce

Naukowcy z Chin opublikowali nowy framework o nazwie SemantiClean, który umożliwia audytowalne wnioskowanie o zachowaniach użytkowników w e-commerce. Badanie, dostępne w preprints arXiv, przedstawia alternatywę dla konwencjonalnych systemów predykcyjnych, stawiając na transparentność zamiast maksymalną dokładność.

Kluczowe wnioski

• SemantiClean to modułowy framework do ekstrakcji sygnałów semantycznych z danych sesji e-commerce, priorytetyzujący audytowalność nad dokładnością predykcji.
• System organizuje 24 elementy behawioralne w czterowarstwową architekturę: funkcjonalną, interakcyjną, systemową i kontekstualną.
• Framework wykorzystuje trzeci mechanizmy anty-inflacyjne: limity wkładu RedundancyGroup, kary TieredPenaltyCalculator i AdaptiveConstraintMode dla problemów cold-start.
• Zaimplementowany silnik LLM-Integrated Semantic Inference Engine zapewnia pełną reprodukowalność wyników deterministycznych (sigma=0).
• System testowany na zbiorze danych Online Shoppers Purchasing Intention (OSPI) obsługuje cele takie jak intencja zakupu, segmentacja klientów i afinitas produktowa.

Architektura zorientowana na przejrzystość

SemantiClean różni się od konwencjonalnych predictorów end-to-end tym, że świadomie rezygnuje z marginalnych zysków predykcyjnych na rzecz transparentności na poziomie elementów i obronnych ścieżek decyzyjnych. Framework wprowadza strukturalne zarządzanie przez organizację sygnałów behawioralnych w uporządkowaną hierarchię warstw.

Czterowarstwowa architektura obejmuje poziomy funkcjonalny, interakcyjny, systemowy i kontekstualny, co pozwala na systematyczne podejście do analizy zachowań użytkowników. Każdy z 24 elementów behawioralnych ma przypisane miejsce w tej strukturze, co ułatwia audyt i kontrolę jakości wyników.

Silnik inferencji z integracją LLM

Kluczowym elementem jest LLM-Integrated Semantic Inference Engine — dwufazowa architektura inferencyjna napędzana przez duże modele językowe. Silnik wykorzystuje kompletne metadane elementów w czasie wnioskowania, co pozwala na bardziej kontekstowe analizy.

System zapewnia pełną reprodukowalność wyników deterministycznych z sigma równą zero. Wyniki zależne od LLM podlegają kontrolowanej zmienności przy ustalonych ustawieniach dostawcy, modelu i temperatury. Autorzy zaznaczają, że cel inferencji płci pozostaje niefunkcjonalny w obecnej implementacji i jest wykluczony z wszystkich wyników ilościowych.

Mechanizmy kontroli jakości

Framework implementuje trzy mechanizmy anty-inflacyjne mające na celu zachowanie jakości sygnału. RedundancyGroup wprowadza limity wkładu, które zapobiegają nadmiernej reprezentacji podobnych sygnałów. TieredPenaltyCalculator stosuje kary za bias, a AdaptiveConstraintMode radzi sobie z problemami cold-start w nowych scenariuszach.

SemantiClean reprezentuje podejście, w którym explainable AI spotyka się z praktycznymi zastosowaniami e-commerce, oferując narzędzie do audytowalnej analizy intencji użytkowników przy zachowaniu kontroli nad procesem decyzyjnym.