[論文レビュー] A Long-Short Demands-Aware Model for Next-Item Recommendation

Ting Bai, Pan Du+3 more|arXiv (Cornell University)|Feb 12, 2019

Recommender Systems and Techniques参考文献 47被引用数 11

ひとこと要約

本稿では、複数の時間スケールを用いて、長期的な繰り返し購入行動と短期的な同時購入パターンの両方を捉える Long-Short Demands-aware Model (LSDM) を提案する。時間スケール別にユーザーの購入をクラスタリングし、RNN を用いた共同学習でそれらをモデル化することで、実世界の e コマースデータセット上で次アイテム推薦の精度が向上し、時間に敏感な需要モデリングの価値が示された。

ABSTRACT

Recommending the right products is the central problem in recommender systems, but the right products should also be recommended at the right time to meet the demands of users, so as to maximize their values. Users' demands, implying strong purchase intents, can be the most useful way to promote products sales if well utilized. Previous recommendation models mainly focused on user's general interests to find the right products. However, the aspect of meeting users' demands at the right time has been much less explored. To address this problem, we propose a novel Long-Short Demands-aware Model (LSDM), in which both user's interests towards items and user's demands over time are incorporated. We summarize two aspects: termed as long-time demands (e.g., purchasing the same product repetitively showing a long-time persistent interest) and short-time demands (e.g., co-purchase like buying paintbrushes after pigments). To utilize such long-short demands of users, we create different clusters to group the successive product purchases together according to different time spans, and use recurrent neural networks to model each sequence of clusters at a time scale. The long-short purchase demands with multi-time scales are finally aggregated by joint learning strategies. Experimental results on three real-world commerce datasets demonstrate the effectiveness of our model for next-item recommendation, showing the usefulness of modeling users' long-short purchase demands of items with multi-time scales.

研究の動機と目的

• 既存のレコメンデーションシステムがユーザーの関心に注目する一方で、時間に依存する購入需要を無視するというギャップを解消すること。
• 繰り返し購入などの長期的で持続的な関心と、絵の具を買った後にブラシを購入するような短期的な同時購入行動をモデル化すること。
• 単一スケールのモデルが見逃す多様な購入パターンを捉えるために、複数の時間スケールのシーケンスを組み込むこと。
• 異なる時間粒度における長期的・短期的需要を共同で学習することで、次アイテム推薦を改善すること。

提案手法

• モデルは複数の時間スケールを用いて、時間的近接性に基づいて連続するユーザー購入をシーケンスにクラスタリングする。
• 再帰的ニューラルネットワーク（RNN）を各時間スケールでのユーザー購入シーケンスのモデル化に適用し、順序依存性を捉える。
• 各時間スケールごとに長期的・短期的需要を別々に学習し、クラスタータイプごとに別個の RNN を使用する。
• 共同学習戦略により、複数の時間スケールからの表現を統合し、統一されたユーザー需要埋め込みを形成する。
• ユーザー・アイテム相互作用履歴と時間に敏感なクラスタリングを統合することで、繰り返し購入および同時購入パターンの両方を検出する。
• 複数時間スケール設計により、異なる時間粒度における多様な購入頻度と共起パターンを検出可能となる。

実験結果

リサーチクエスチョン

• RQ1 複数の時間スケールにわたるユーザー購入行動のモデリングは、次アイテム推薦性能の向上に寄与するか？
• RQ2 長期的繰り返し購入と短期的同時購入の時間的パターンはどのように異なるのか？ また、それらを別々にモデル化できるか？
• RQ3 多スケール需要の共同学習は、単一スケールモデルに比べて次アイテム予測をより良くするか？
• RQ4 時間に敏感な需要シグナルを組み込むことで、一般の関心モデリングを超えて推薦精度が向上するか？

主な発見

• LSDM は、実世界の e コマースデータセット（Ta-Feng、BeiRen、Amazon）において、最先端のベースラインを上回る性能を達成した。
• 長期的および短期的購入需要の両方を捉えることで、次アイテム推薦の精度が顕著に向上した。
• 複数時間スケールモデリングにより、単一スケールモデルが捉えられない多様な同時購入および繰り返し購入パターンの検出が可能になった。
• 長期的・短期的需要の共同学習により、リアルタイムのユーザー需要の表現が向上し、推薦の関連性が向上した。
• 実験結果から、時間に敏感な購入需要は推薦性能を向上させるために重要なシグナルであることが検証された。