[論文レビュー] Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search

Tao Zhuang, Wenwu Ou+1 more|arXiv (Cornell University)|May 22, 2018

Text and Document Classification Technologies被引用数 6

ひとこと要約

本論文は、eコマース検索におけるグローバル最適化と相互影響を考慮したランク付けフレームワークを提案し、売上高（GMV）を直接最大化することを目的としている。グローバル特徴拡張とRNNベースのシーケンスモデリングにビームサーチを組み合わせることで、アイテムと注文の依存関係を捉え、タオバオ検索におけるオンラインA/Bテストで、強力なベースライン比で5.82%のGMV向上を達成したが、許容可能な遅延を維持した。

ABSTRACT

In web search, mutual influences between documents have been studied from the perspective of search result diversification. But the methods in web search is not directly applicable to e-commerce search because of their differences. And little research has been done on the mutual influences between items in e-commerce search. We propose a global optimization framework for mutual influence aware ranking in e-commerce search. Our framework directly optimizes the Gross Merchandise Volume (GMV) for ranking, and decomposes ranking into two tasks. The first task is mutual influence aware purchase probability estimation. We propose a global feature extension method to incorporate mutual influences into the features of an item. We also use Recurrent Neural Network (RNN) to capture influences related to ranking orders in purchase probability estimation. The second task is to find the best ranking order based on the purchase probability estimations. We treat the second task as a sequence generation problem and solved it using the beam search algorithm. We performed online A/B test on a large e-commerce search engine. The results show that our method brings a 5% increase in GMV for the search engine over a strong baseline.

研究の動機と目的

• eコマース検索ランク付けにおけるアイテム間の相互影響に関する研究が不足していることに対処すること。これは、購入確率に顕著な影響を与える。
• 伝統的な情報検索指標（例：NDCG）ではなく、eコマースの主要ビジネス指標である売上高（GMV）を直接最適化すること。
• アイテムの相対的な配置がその購入可能性に与える影響、特に高関連性の結果セットにおいて、それをモデル化すること。
• 生産規模の検索システムにおいて、GMV向上と計算コストの両立を図る効率的な再ランク付けフレームワークを開発すること。

提案手法

• 期待されるGMVを最大化するため、ランク付けをシーケンス生成問題として扱うグローバル最適化フレームワークを提案する。
• 相互影響のシグナルをアイテム特徴に組み込むためのグローバル特徴拡張法を導入し、隣接アイテムからの文脈的影響を捉える。
• 拡張された特徴を用いて購入確率を推定するための深層ニューラルネットワーク（miDNN）を採用し、ソートに基づくランク付けを可能にする。
• RNNと新規のアテンション機構を用いたシーケンスマデリングアプローチを採用し、購入確率に及ぼす長距離の順序依存的影響を捉える。
• グリーディ選択を避けるために、高品質なランクシーケンスを探索するためのビームサーチを適用する。
• ベースラインランク付けシステムの上流に配置された再ランク付けパイプラインにモデルをデプロイし、再ランクサイズとビームサイズを主なハイパーパrameterとする。

実験結果

リサーチクエスチョン

• RQ1 eコマース検索におけるアイテム間の相互影響は、その相対的な購入確率にどのように影響するか？
• RQ2 相互影響をモデル化するグローバル最適化フレームワークは、大規模eコマース検索においてGMVを向上させることができるか？
• RQ3 RNNとビームサーチを用いたシーケンスマデリングを用いる際、GMV向上と計算コストのトレードオフはどのようなものか？
• RQ4 miDNN、miRNN、およびmiRNN+アテンションといった異なるモデル部品は、GMV向上と遅延の観点からどのように比較できるか？

主な発見

• miRNN+アテンションモデルは、ベースライン比で最高の5.82%のGMV向上を達成し、長距離の順序依存的影響をモデル化する有効性を示した。
• miRNNモデルは5.03%のGMV向上を達成し、遅延が58%増加したが、性能と効率のバランスに優れていた。
• miDNNモデルは2.91%のGMV向上を達成し、遅延はわずか9%増加にとどまり、低遅延の本番環境デプロイに適していた。
• 再ランクサイズが50を超えた際、GMVの向上が頭打ちになった。これは、ユーザー行動と整合しており、82%のユーザーが50件未満のアイテムを閲覧するためである。
• RNNモデルでは、ビームサイズが大きくなると遅延が多項式的に増加し、高ビームサイズでは顕著な計算コストが生じることを示した。
• miRNN+アテンションにおけるアテンション機構は、GMVを顕著に向上させたが、再ランクサイズ50では遅延が401%増加した。これは、重要なトレードオフを示している。