[論文レビュー] eCommerceGAN : A Generative Adversarial Network for E-commerce

Ashutosh Kumar, Arijit Biswas+1 more|ePrints@IISc (Indian Institute of Science)|Jan 10, 2018

Handwritten Text Recognition Techniques参考文献 21被引用数 19

ひとこと要約

本論文では、eCommerceGAN（ecGAN）とその条件付きバージョンであるec²GANを提案する。これは、eコマース注文の密な低次元表現を学習し、現実的で妥当な注文を生成する生成的対抗ネットワーク（GAN）である。実際の注文データで訓練することで、ec²GANは顧客の属性、価格分布、新製品の季節的需要を効果的に特徴付け、C-VAEベースラインと比較して9つの用途のうち7つで優れている。最大で22%の向上を達成した。

ABSTRACT

E-commerce companies such as Amazon, Alibaba and Flipkart process billions of orders every year. However, these orders represent only a small fraction of all plausible orders. Exploring the space of all plausible orders could help us better understand the relationships between the various entities in an e-commerce ecosystem, namely the customers and the products they purchase. In this paper, we propose a Generative Adversarial Network (GAN) for orders made in e-commerce websites. Once trained, the generator in the GAN could generate any number of plausible orders. Our contributions include: (a) creating a dense and low-dimensional representation of e-commerce orders, (b) train an ecommerceGAN (ecGAN) with real orders to show the feasibility of the proposed paradigm, and (c) train an ecommerce-conditional-GAN (ec^2GAN) to generate the plausible orders involving a particular product. We propose several qualitative methods to evaluate ecGAN and demonstrate its effectiveness. The ec^2GAN is used for various kinds of characterization of possible orders involving a product that has just been introduced into the e-commerce system. The proposed approach ec^2GAN performs significantly better than the baseline in most of the scenarios.

研究の動機と目的

• 実際の取引データを超えた、現実的で妥当なeコマース注文の分布をモデル化すること。
• 顧客、製品、価格、日付の特徴を用いて、密な低次元で意味的に意味のある注文表現を学習すること。
• 無条件の現実的注文生成を目的としたecGANと、特定の製品に基づく条件付き生成を目的としたec²GANの開発。
• 特に新製品のローンチを想定した現実世界のeコマースシナリオにおいて、生成モデルを定性的および定量的に評価すること。
• 合成されたが現実的な注文データを用いた需要予測、顧客特徴化、パーソナライズドマーケティングのフレームワークを提供すること。

提案手法

• 注文は、顧客、製品、価格、日付のための密な埋め込みを連結したベクトルとして表現され、低次元で意味的に意味のある注文表現を可能にする。
• ecGANは、勾配ペナルティを用いたワサーラインGANを用い、実際のeコマース注文の分布を学習する生成器を訓練する。
• ec²GANは、生成器を製品埋め込みで条件づけることでecGANを拡張し、特定の製品を含む注文の生成を可能にする。
• ec²GANでは、生成器損失に再構成損失を追加することで、入力の製品表現を保持し、忠実度を向上させる。
• 定性的評価にはt-SNE可視化、ランダムフォレストのリーフ分布分析、特徴相関を用い、生成された注文の品質を評価する。
• 定量的評価では、顧客プロファイル作成、価格予測、季節的需要推定を含む9つの用途において、ec²GANをC-VAEベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 生成的対抗ネットワークは、現実世界の顧客-製品相互作用を反映する現実的で妥当なeコマース注文を効果的に学習・生成できるか？
• RQ2 ec²GANは、新製品の発売を想定した潜在的顧客の属性、価格、季節的需要パターンをどの程度的確に特徴付けられるか？
• RQ3 製品埋め込みでGANを条件づけることで、無条件生成と比較して生成注文の現実性と多様性が向上するか？
• RQ4 ec²GANは、C-VAEベースラインと比較して、新製品のための現実的で妥当な注文分布をどの程度うまく生成できるか？
• RQ5 t-SNEや特徴相関といった定性的評価手法は、視覚的でないドメインにおいて生成注文の品質をどの程度妥当に検証できるか？

主な発見

• ec²GANは、評価された9つの用途のうち7つでC-VAEベースラインを上回り、高購買顧客予測において最大22%の絶対的改善を示した。
• モデルは、実注文の性別、加入期間、購入数量、季節的需要分布を効果的に捉えている。特に「Women Party Dress」と「Men Shorts」のような製品の正規化された分布プロットから明らかである。
• 季節的需要において、ec²GANは夏の需要を71.43%、冬の需要を72.22%と予測し、真値に近く、C-VAEはそれぞれ71.28%と66.37%を予測した。
• 生成器は、現実世界のパターンを効果的に模倣しており、例えば「Women Party Dress」注文の73%が女性によって行われ、また「Women Winter Shawl」注文の67%が冬に発生している。
• 価格予測ではC-VAEがわずかに優位であったが、ec²GANはモード崩壊を回避し、現実的で妥当な注文の全範囲を的確に捉えている。
• 定性的評価手法（t-SNE、ランダムフォレストのリーフ分布、特徴相関）は、ec²GANが生成した注文が意味的に意味があり、実データと分布的に整合していることを示している。