Tekoäly mediasisältöjen esittämisen tukena

Tutkimuksen tavoitteena oli tarkastella kone- ja vahvistusoppimismenetelmien hyödyntämismahdollisuuksia mediatuotannossa, erityisesti liittyen mediasisältöjen esittämiseen etusivulla. Raportin teoriaosiossa on esitelty vahvistusoppimismenetelmiä: on käsitelty sekä yksivaiheiseen päätöksentekotilanteeseen sopivia, ns. monikätisen rosvon problematiikan ratkaisualgoritmeja, että täysmittaista vahvistusoppimista, jossa ennakoidaan vasta usean vaiheen jälkeen saavutettavissa olevaa tavoitetta. Sisältöjen esittämistä tarkasteltiin kahden esimerkkikohteen avulla. Ensimmäisenä kohteena oli tutkia paikan merkitystä juttujen suosioon ja tässä käytettiin esimerkkilehden aineistoa, josta ilmeni jutun sijainti etusivulla yläreunasta katsottuna, jutun ominaisuudet kuten ikä, kategoria ja otsikko, sekä etusivun kautta tulleet klikkaukset viiden minuutin aikavälein. Tilastollinen tarkastelu osoitti, että mitä korkeammalla juttu on etusivulla, sitä enemmän se saa klikkauksia. Merkitys kuitenkin tasoittuu suhteellisen nopeasti mentäessä alemmaksi etusivulla. Kerätyn aineiston pohjalta tehtiin ennustava koneoppimismalli, joka edeltävän aikajakson klikkausten ja jutun ja etusivun dynaamisten ja staattisten ominaisuuksien pohjalta tekee ennusteen jutulle eri paikoissa kertyvästä klikkausmäärästä. Tätä voidaan käyttää määrittelemään etusivun artikkeleille hyvä järjestys. Toisessa esimerkkikohteessa käytettiin simuloitua dataa, eli generoitiin annettujen parametrien perusteella käyttäjät, jutut ja käyttäjäsessiot. Aineiston avulla laadittiin malli, joka arvioi tarjolla olevien juttujen käyttäjäkohtaisen hyvyyden, kun hyvyys määriteltiin tilaukseen johtavana käyttäytymisenä. Tilausta indikoivina merkkeinä käytettiin maksullisten artikkelin klikkaamista. Malli opetettiin simuloidulla datalla, ja sitä voidaan käyttää pohjana todellisen datan kanssa tehtävälle jatkokehitystyölle. Hanke tarkasteli jutturesurssien käyttöä ja avaa mahdollisuuksia hyvän esitysjärjestyksen ja etusivun määrittelemiseen koneoppimismenetelmiä hyödyntäen. Ensimmäinen esimerkki näytti, että jos käyttäjistä ei ole tausta- tai preferenssitietoa, esitysjärjestyksen määrittelyssä voidaan käyttää aiemmilta käyttäjiltä syntynyttä palautetietoa sekä myös juttujen joitakin ominaisuuksia. Toisessa esimerkissä oletettiin olevan tietoa käyttäjien preferensseistä ja istunnoista sekä tilaukseen johtaneista käyttäytymispoluista, minkä pohjalta vahvistusoppimismalli pystyy generoimaan käyttäjäkohtaisia suosituksia. Kehitetty ohjelmisto tarjoaa ympäristön, jossa voidaan tehdä ensimmäisen vaiheen kokeiluita ennen todellisen tiedonkeruun käynnistämistä ja menetelmien käyttöä todellisella aineistolla.