[論文レビュー] Beyond Movie Recommendations: Solving the Continuous Cold Start Problem in E-commerce Recommendations

Julia Kiseleva, Alexander Tuzhilin+7 more|arXiv (Cornell University)|Jan 1, 2016

Recommender Systems and Techniques参考文献 49被引用数 4

ひとこと要約

この論文は、eコマースにおける継続的コールドスタート問題（CoCoS）を解決するための文脈的ユーザープロファイリングを提案する。ユーザーとアイテムが希薄な相互作用のため長期間にわたり『コールド』状態に陥る状況を想定している。取引ログから暗黙の状況的文脈を抽出し、オフラインでユーザ行動のクラスタを生成することで、軽量で高効果なパーソナライズドランキングを実現。Booking.comにおけるライブA/BテストではCTRが20%向上した。

ABSTRACT

Many e-commerce websites use recommender systems or personalized rankers to personalize search results based on their previous interactions. However, a large fraction of users has no prior inter-actions, making it impossible to use collaborative filtering or rely on user history for personalization. Even the most active users mayvisit only a few times a year and may have volatile needs or different personas, making their personal history a sparse and noisy signal at best. This paper investigates how, when we cannot rely on the user history, the large scale availability of other user interactions still allows us to build meaningful profiles from the contextual data and whether such contextual profiles are useful to customize the ranking, exemplified by data from a major online travel agentBooking.com.Our main findings are threefold: First, we characterize the Continuous Cold Start Problem(CoCoS) from the viewpoint of typical e-commerce applications. Second, as explicit situational con-text is not available in typical real world applications, implicit cues from transaction logs used at scale can capture essential features of situational context. Third, contextual user profiles can be created offline, resulting in a set of smaller models compared to a single huge non-contextual model, making contextual ranking available with negligible CPU and memory footprint. Finally we conclude that, in an online A/B test on live users, our contextual ranker in-creased user engagement substantially over a non-contextual base-line, with click-through-rate (CTR) increased by 20%. This clearly demonstrates the value of contextual user profiles in a real world application.

研究の動機と目的

• ユーザーが希薄な履歴データを持つ場合、特に旅行やeコマースプラットフォームで一般的な、パーソナライズドレコメンデーションの課題に対処すること。
• 特に予約が頻繁でなかったり、興味が変動するユーザーに対して、明示的なユーザーヒストリが欠如している状況でも意味のあるユーザープロファイルを構築する方法を調査すること。
• 取引ログからの暗黙の信号を活用して状況的嗜好をモデル化し、スケーラブルで低コストな文脈的ランク付け手法を開発すること。
• 文脈的ユーザープロファイルがユーザーエンゲージメント指標（クリック・スルーレートや1ユーザーあたりのクリック数など）に与える実世界の影響を評価すること。

提案手法

• ユーザーのエージェント、時間帯、セッションレベルの行動といった要因を含む、取引ログから暗黙の状況的文脈を抽出し、文脈的ユーザープロファイル（CUP）を推定する。
• 複数基準のランク特徴に基づいて類似したユーザーセッションをk-meansクラスタリングでグループ化し、異なる旅行意図の文脈を表す明確なCUPを形成する。
• ユークリッド距離を用いてインバウンドユーザーを最も近いCUPにマッピングし、計算コストを最小限に抑えた高速なオンライン推論を実現する。
• 各CUPに対してナイーブベイズ分類器を訓練し、デスティネーションファインダーシステムにおける旅行先のパーソナライズドランク付けを生成する。
• CUPをオフラインで生成することで、単一の大規模な非文脈的モデルではなく、少数の小型で効率的なモデルのセットを構築し、CPUおよびメモリのオーバーヘッドを低減する。
• A/Bテストのための非文脈的ベースラインランカーを用いて、文脈的プロファイリングがエンゲージメント指標に与える影響を明確に分離する。

実験結果

リサーチクエスチョン

• RQ1 旅行レコメンデーションシステムの文脈において、継続的コールドスタート問題（CoCoS）はどのように特徴づけられるか？
• RQ2 実世界の設定で教師なしの方法で、多基準ランクデータから文脈的ユーザープロファイルを発見・定義するにはどうすればよいか？
• RQ3 継続的コールドスタート環境において、文脈的ユーザープロファイルを旅行先のランク付けにどのように応用できるか？
• RQ4 実世界での展開において、文脈的ユーザープロファイルはユーザーエンゲージメントをどの程度向上させるのか？

主な発見

• 継続的コールドスタート問題（CoCoS）はeコマースで広く見られ、特にBooking.comのような旅行プラットフォームでは、ユーザーが頻繁に非アクティブ状態にあったり、異なるパーソナに移行する傾向がある。
• ユーザーのエージェントや時間帯といった取引ログからの暗黙の手がかりが、明示的な文脈情報がなくても、状況的文脈の重要な特徴を的確に捉え、堅牢なプロファイル作成を可能にする。
• 文脈的ユーザープロファイルはオフラインで生成でき、その結果、単一の大規模な非文脈的モデルよりもCPUおよびメモリのオーバーヘッドが低い少数の小型で効率的なモデルのセットとして利用可能になる。
• ライブA/Bテストでは、文脈的ランカーが非文脈的ベースラインと比較してクリック・スルーレート（CTR）を20%、1ユーザーあたりのクリック数を21%向上させた。
• この手法は顕著な実世界のインパクトを示しており、データが希薄で常にコールド状態が続くユーザーサイチュエーションでも、文脈的プロファイリングがユーザーエンゲージメントを顕著に向上させることを実証している。
• このアプローチはスケーラブルであり、ユーザー行動が希薄または変動しやすい他のeコマースおよび検索プラットフォームにも適用可能で、同様のコールドスタート課題に直面する場面に有効である。