[論文レビュー] Family Shopping Recommendation System Using User Profile and Behavior Data

Jiacheng Xu|arXiv (Cornell University)|Aug 24, 2017

Recommender Systems and Techniques参考文献 13被引用数 3

ひとこと要約

本稿では、ユーザーのプロフィール、行動、家族関係データを統合したハイブリッド協調フィルタリングアプローチを用いて、家族ベースのショッピング推薦システムの新規ファミリーを提案する。製品のブランド、タイプ、カテゴリーにおけるユーザーおよび家族レベルの類似性を組み合わせることで、実世界のショッピングモールデータセットにおいて、リcallとprecisionの両面でUserモデルおよびHybrid Userモデルを上回る優れたパフォーマンスを示している。

ABSTRACT

With the arrival of the big data era, recommendation system has been a hot technology for enterprises to streamline their sales. Recommendation algorithms for individual users have been extensively studied over the past decade. Most existing recommendation systems also focus on individual user recommendations, however in many daily activities, items are recommended to the groups not one person. As an effective means to solve the problem of group recommendation problem,we extend the single user recommendation to group recommendation. Specifically we propose a novel approach for family-based shopping recommendation system. We use the dataset from the real shopping mall consisting of shopping records table, client-profile table and family relationship table. Our algorithm integrates user behavior similarity and user profile similarity to build the user based collaborative filtering model. We evaluate our approach on a real-world shopping mall dataset.

研究の動機と目的

• グループ推薦システムにおけるギャップを埋めるために、個々のユーザーではなく家族レベルのショッピング行動に焦点を当てる。
• ユーザーの購入履歴、行動データ、ショッピングモールイベントを統合した包括的な推薦モデルを開発する。
• 家族関係データを活用して、共有アカウントや家族購入品目の推薦精度を向上させる。
• 時系列分割と標準的な評価指標を用いて、実世界のショッピングモールデータセット上で提案モデルの実証的妥当性を検証する。

提案手法

• 本システムは、ユーザー行動、プロフィール、行動データの類似性指標を用いて、ユーザーベースの協調フィルタリングを構築する。
• 個別および家族レベルの推薦の両方に対して、5つの類似性行列 $W_{brand}$, $W_{type}$, $W_{category}$, $W_{activity}$, $W_{profile}$ を計算する。
• Hybrid User Modelは、5つの類似性タイプを統合して、個々のユーザーのトップ-N推薦を生成する。
• Hybrid Family Modelは、このアプローチを拡張し、集約された家族の購入行動を用いて家族レベルの類似性行列（$W_{brand}^{F}$, $W_{type}^{F}$ など）を計算する。
• データセットは時系列的に '2016-07-15 00:00:00' で分割され、80%を訓練用、20%をテスト用として使用し、時系列的妥当性を確保する。
• 評価は、トップ-k推薦（k = 1 から 10）におけるprecisionとrecallを用い、モデル間の比較結果を可視化する。

実験結果

リサーチクエスチョン

• RQ1 家族関係データを統合することで、個別ユーザーベースのモデルと比較して、推薦パフォーマンスがどのように向上するか？
• RQ2 ユーザーのプロフィール、行動、行動データを統合することで、家族環境下での推薦精度がどの程度向上するか？
• RQ3 ブランド、タイプ、カテゴリー、行動、プロフィールの複数の類似性タイプを統合したハイブリッドモデルは、単一ソースのモデルを上回る性能を示せるか？
• RQ4 トップ-k推薦の閾値が変化する際、Hybrid Family ModelはHybrid Userモデルおよび基本的なUserモデルと比較して、どのように性能を示すか？

主な発見

• Hybrid Family Modelは、1から10までのすべてのトップ-k値において、UserモデルおよびHybrid Userモデルを上回る高いリcallとprecisionを達成している。
• すべてのモデルのリcall率はkが増加するにつれて上昇しており、kが大きくなるほどユーザーの購入履歴のカバー範囲が広がっていることが示唆されている。
• kが3を超えると、すべてのモデルのprecision率が低下しており、kが高くなると推薦の関連性に限界が生じていることが示唆されている。
• Hybrid User Modelは、基本的なUserモデルを上回るリcallとprecisionを示しており、複数ソースの類似性統合の有効性が裏付けられている。
• Hybrid Family Modelは最も優れたパフォーマンスを示しており、家族レベルの行動をモデル化することで推薦品質が顕著に向上することが確認された。
• 結果は時系列分割を用いた実世界のデータセット上で検証されており、妥当性と実用的関連性が保証されている。