[論文レビュー] An LSTM-Based Dynamic Customer Model for Fashion Recommendation

Sebastian Heinz, Christian Bracher+1 more|arXiv (Cornell University)|Aug 24, 2017

Recommender Systems and Techniques参考文献 8被引用数 9

ひとこと要約

この論文では、リアルタイムで順序付けられた購入行動をモデル化することで、進化するファッション嗜好を捉えるLSTMベースの動的顧客モデルを提案する。事前学習済みのアイテム埋め込み（Fashion DNA）と共有で時刻に配慮したLSTMネットワークを組み合わせることで、静的協調フィルタリングおよび人気度ベースラインを上回り、Zalandoの10万人の顧客からなるデータセットで88.5%のAUCを達成した。

ABSTRACT

Online fashion sales present a challenging use case for personalized recommendation: Stores offer a huge variety of items in multiple sizes. Small stocks, high return rates, seasonality, and changing trends cause continuous turnover of articles for sale on all time scales. Customers tend to shop rarely, but often buy multiple items at once. We report on backtest experiments with sales data of 100k frequent shoppers at Zalando, Europe's leading online fashion platform. To model changing customer and store environments, our recommendation method employs a pair of neural networks: To overcome the cold start problem, a feedforward network generates article embeddings in "fashion space," which serve as input to a recurrent neural network that predicts a style vector in this space for each client, based on their past purchase sequence. We compare our results with a static collaborative filtering approach, and a popularity ranking baseline.

研究の動機と目的

• 購買履歴が疎で頻度が低いファッションEC環境において、動的で進化する顧客嗜好をモデル化する課題に取り組む。
• 深層ニューラルネットワークを用いて、キュレートされたカタログ特徴量を活用することで、新規ファッションアイテムのコールドスタート問題を克服する。
• 静的スタイル指紋を超えて、時間的ダイナミクスを顧客モデリングに組み込むことで、推薦精度を向上させる。
• 現実世界のファッションプラットフォーム環境において、順序付けられた購買履歴と時刻に配慮したモデリングが推薦性能に与える影響を評価する。

提案手法

• 深層フィードフォワードニューラルネットワークが、画像、タグ、価格、繊維構成などのアイテム特徴から、密な低次元のFashion DNA埋め込みを生成する。
• Fashion DNA埋め込みは、すべてのファッションアイテムの固定・静的記述子として機能し、時間経過にわたって一貫した表現を可能にする。
• 共有された長短期記憶（LSTM）ネットワークが、各顧客の過去の購入履歴の時系列順序を処理し、時間的に変化するスタイルベクトルを予測する。
• モデルはシグモイドランク損失関数を用い、ランキング性能を最適化しており、一般化を向上させるためにネガティブサンプリングを適用している。
• 顧客固有の購入意図スコアは、動的に更新されるスタイルベクトルとアイテム埋め込みのドット積として計算される。
• 最終的な推薦リストは、評価時点での在庫アイテムを、その時点での購入意図スコアの順に並べ替えることで生成される。

実験結果

リサーチクエスチョン

• RQ1 再帰的ニューラルネットワークは、ファッション推薦設定において、顧客のスタイル嗜好の時間的進化を効果的にモデル化できるか？
• RQ2 顧客モデリングに時間的ダイナミクスを組み込むことで、静的協調フィルタリングと比較して推薦性能がどのように向上するか？
• RQ3 本モデルは、学習中に観測されていなかった新規ファッションアイテムに対して、どれほどコールドスタート問題を軽減できるか？
• RQ4 購買履歴の疎らさと部分的な順序付けの有無が、ファッション分野におけるRNNベースの推薦システムの性能にどのように影響するか？

主な発見

• 動的LSTMベースのモデルは、同じテストセットで静的モデル（85.2%）と人気度ベースライン（80.2%）を大きく上回り、AUCが88.5%を達成した。
• 動的モデルでは、購入の50%をカバーするための推薦数を、静的モデルの13,500から9,300に、90%をカバーするための数を80,000から63,000に削減した。
• 学習中に観測されていなかった新規導入アイテムに対して、動的モデルは87.7%のAUCを達成したのに対し、ベースラインは64.4%であった。これは、強いコールドスタート耐性を示している。
• LSTMにおける重み共有により、動的モデルのパラメータ数は100万未満に抑えられ、静的モデルの約10^8パラメータと比べて顕著に少ない。
• 高精度領域（上位10件の推薦）においても、動的モデルは平均で400件の推薦で購入の10%をカバーする優れた性能を示した。
• シグモイドランク損失はソフトマックス損失を上回った。これは、この順序付き推薦タスクにおいて、ランキング最適化が分類よりも有効であることを示している。