[論文レビュー] A Brand-level Ranking System with the Customized Attention-GRU Model

Yu Zhu, Junxiong Zhu+5 more|arXiv (Cornell University)|May 23, 2018

Recommender Systems and Techniques参考文献 13被引用数 5

ひとこと要約

本論文は、eコマースプラットフォーム向けに、ブランド単位での順位付けを初めて提案する。特徴的なアテンション-GRUモデルを用い、以下の3つの主な改良を施している：(1) 手作業で作成したブランド特徴と学習済み埋め込みの統合、(2) クリック行動と購入行動の区別、(3) 時間的ダイナミクスをモデル化するためのタイムゲート機構の統合。このシステムは、タオバオでのオンラインA/Bテストにおいて、ユーザーの関与度とGMVを顕著に向上させ、GMVは3.51%増加し、CTRは0.39%上昇した。

ABSTRACT

In e-commerce websites like Taobao, brand is playing a more important role in influencing users' decision of click/purchase, partly because users are now attaching more importance to the quality of products and brand is an indicator of quality. However, existing ranking systems are not specifically designed to satisfy this kind of demand. Some design tricks may partially alleviate this problem, but still cannot provide satisfactory results or may create additional interaction cost. In this paper, we design the first brand-level ranking system to address this problem. The key challenge of this system is how to sufficiently exploit users' rich behavior in e-commerce websites to rank the brands. In our solution, we firstly conduct the feature engineering specifically tailored for the personalized brand ranking problem and then rank the brands by an adapted Attention-GRU model containing three important modifications. Note that our proposed modifications can also apply to many other machine learning models on various tasks. We conduct a series of experiments to evaluate the effectiveness of our proposed ranking model and test the response to the brand-level ranking system from real users on a large-scale e-commerce platform, i.e. Taobao.

研究の動機と目的

• 既存のeコマースシステムではブランドが商品と混在しており、ユーザーが手動でフィルタリングする必要があるため、パーソナライズドブランド順位付けの欠如に起因する課題を解決すること。
• 強いブランド志向を持つユーザーのインタラクションコストを低減することで、ユーザー体験を向上させること。
• 正確なブランド好み予測のため、ユーザー行動の順序性と時間的ダイナミクスを効果的に捉える機械学習モデルを開発すること。
• 大規模eコマースプラットフォーム上で、オフラインおよびオンラインの両設定で提案されたシステムを評価すること。
• アブレーション解析とスケーラビリティ解析を通じて、モデル改良の有効性を示すこと。

提案手法

• システムはブランド順位付けをポイントワイズ分類問題として定式化し、各ブランドに対するユーザーの好み確率を予測する。
• 3つのコアな改良を施したカスタマイズ型アテンション-GRUモデルを提案する：(1) 手作業で作成したブランド特徴と学習済み埋め込みの連結、(2) クリックと購入行動の別々の処理、(3) 行動間の時間間隔をモデル化するためのタイムゲート機構の統合。
• ゲート付き再帰ユニットを用いてユーザー行動シーケンス内の長期依存関係を捉え、アテンション機構により過去の行動の重要度を重みづけする。
• 特徴工学には、ブランドの価格、行動頻度、ユーザーのクリックおよび購入ログから導出される時間的パターンが含まれる。
• ユーザー行動シーケンスを用いてエンドツーエンドでモデルを学習し、アテンション重みが関連する歴史的行動に動的に焦点を当てる。
• オフライン評価にはAUCとF1スコアを、オンラインA/BテストにはタオバオのティーマールクエリでのCTR、ATIP、GMVを測定指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 eコマースにおけるユーザー行動シーケンスは、どのようにしてパーソナライズドブランド好みを効果的に予測するために活用できるか？
• RQ2 順序付きモデルのブランド順位付けにおける性能向上に寄与する主要な構成要素は何か？
• RQ3 手作業で作成したブランド特徴と学習済み埋め込みが、モデル性能をどのように共同で向上させるか？
• RQ4 行動タイプ（クリック対比購入）と時間間隔をモデル化することで、順位付けの正確性はどの程度向上するか？
• RQ5 ブランドレベル順位付けシステムは、実世界のユーザー関与度とビジネス指標にどの程度の影響を及えるか？

主な発見

• 提案されたブランドレベル順位付けシステムは、タオバオのティーマールクエリプラットフォームにおけるオンラインA/Bテストで、ベースライン比でGMVが3.51%相対的に向上した。
• CTRは0.39%上昇し、ATIP（平均取引商品単価）は3.40%上昇した。これは、ユーザー関与度の向上と、より高品質な購入が促進されたことを示している。
• アブレーションスタディの結果、3つのモデル改良すべてが性能向上に顕著に寄与しており、特に特徴と埋め込みの統合（改良1）が最も寄与していた。
• 全モデルとアブレーションバージョンとの性能差は、訓練データ量が増えるにつれて拡大し、改良1がより多くのデータから利益を得られることを示している。これは、パrameter数が多いことに起因する。
• 本システムはプロダクション環境にデプロイされており、1日あたり約40万人のアクティブユーザーが利用しており、実世界でのスケーラビリティとユーザー受容性を実証している。