[論文レビュー] Footwear Size Recommendation System

Shreya Singh, Ghada Abdulla+2 more|arXiv (Cornell University)|Jun 28, 2018

Nutritional Studies and Diet参考文献 7被引用数 9

ひとこと要約

本稿では、ブランド同士の共同購入グラフと類似度スコアを用いてスパarsityとコールドスタート問題に対処する、確率的靴のサイズ推薦システム、重み付きブランド類似度推薦（WBSR）を提案する。ユーザーの好みをブランドレベルでモデル化し、ブランド類似度を組み込むことで、従来のスキップグラムベースの手法に比べて推薦の正確性とカバレッジを向上させ、平均的にスパarsityを0.8から0.64に低減した。

ABSTRACT

While shopping for fashion products, customers usually prefer to try-out products to examine fit, material, overall look and feel. Due to lack of try out options during online shopping, it becomes pivotal to provide customers with as much of this information as possible to enhance their shopping experience. Also it becomes essential to provide same experience for new customers. Our work here focuses on providing a production ready size recommendation system for shoes and address the challenge of providing recommendation for users with no previous purchases on the platform. In our work, we present a probabilistic approach based on user co-purchase data facilitated by generating a brand-brand relationship graph. Specifically we address two challenges that are commonly faced while implementing such solution. 1. Sparse signals for less popular or new products in the system 2. Extending the solution for new users. Further we compare and contrast this approach with our previous work and show significant improvement both in recommendation precision and coverage.

研究の動機と目的

• オンラインファッションECにおける人気のない、または新しい靴の商品に対する購入信号が希な問題に対処すること。
• プラットフォームに購入履歴のない新規ユーザーのコールドスタート問題を解決すること。
• スキップグラムベースの埋め込み手法に比べ、サイズ推薦の正確性とカバレッジを向上させること。
• ユーザーのセッションデータ（クリック、カート、注文）を活用して、堅牢で本番環境対応のサイズ推薦システムを構築すること。

提案手法

• クリックストリームデータ（クリック、カート、注文）を用いてブランド同士の共同購入グラフを構築し、ユーザーの好みをブランドレベルでモデル化する。
• ユーザーのセッション内での同時出現確率に基づいてブランド同士の類似度スコアを算出し、推薦の信頼性を強化する。
• 性別・商品タイプ・ブランドをノードとする、性別・商品タイプレベルでの確率的グラフィカルモデル$G_s$を構築し、重み付きエッジを共同購入頻度として表現する。
• 確率計算における周辺化を適用して、関連ブランド間の証拠を集約し、モデルの堅牢性を向上させる。
• 推薦精度を最適化するため、ハイパーパramータ$\alpha$（エッジ重みの閾値）と$\lambda$（ソフトマックスの閾値）を用いる。$\lambda = 0.7$で、検証セットでの精度が最大化された。$\alpha$はエッジ重みの75百分位数に設定された。
• 新規ユーザー向けの推薦をブートストラップするために、ユーザーが提供したサイズの好みデータ（例：好むブランドと一般的なサイズ）を統合する。

実験結果

リサーチクエスチョン

• RQ1 人気のない、または新しい靴ブランド向けの購入信号が希な状況に対処できるサイズ推薦システムは、どのように設計できるか？
• RQ2 SKUレベルの埋め込みに比べ、ブランドレベルの共同購入パターンと類似度スコアは、推薦精度を向上させることができるか？
• RQ3 ユーザーが提供した好みのデータ（例：好むブランドと一般的なサイズ）は、新規ユーザーのコールドスタート問題を効果的に解決できるか？
• RQ4 確率的グラフィカルモデルにおけるハイパーパramータ$\alpha$と$\lambda$の最適な設定は何か、推薦精度を最大化するために最適化できるか？

主な発見

• WBSRシステムにより、スキップグラムモデルのスパarsity 0.8から平均で0.64に低下し、データカバレッジが顕著に向上した。
• 最適なハイパーパramータ$\lambda$は0.7であり、検証セットでの精度を最大化した。
• 最適なエッジ重みの閾値$\alpha$は、全エッジ重みの75百分位数に位置し、メンズスポーツシューズ分野で最高の精度を達成した。
• ブランド類似度スコア（例：ナイキ（0.65）とアディダスの類似度）は、推薦の信頼性と正確性を向上させるのに有効であった。
• 本手法は、特に新規ユーザーおよびスパースな商品カテゴリーにおいて、従来のabdullasize手法に比べて高い正確性とカバレッジを達成した。
• 単純なユーザーが提供する好み（ブランドとサイズ）を用いることで、初めての相互作用からも正確なサイズ推薦を生成でき、コールドスタート問題を効果的に解決した。