[論文レビュー] Inferring Networks of Substitutable and Complementary Products

Julian McAuley, Rahul Pandey+1 more|arXiv (Cornell University)|Jun 29, 2015

Sentiment Analysis and Opinion Mining参考文献 29被引用数 87

ひとこと要約

本論文では、製品レビューのトピックモデリングとレーティングや価格などの補助特徴を用いて、置換可能でかつ補完的な製品関係を推定する教師ありリンク予測フレームワーク、Sceptreを提案する。900万件のAmazon製品と1億4400万件のレビューで訓練されたSceptreは、代替リンクと補完リンクの両方においてベースラインを上回る性能を発揮し、ユーザースタディーでは、Amazonの「よく一緒に購入された商品」の推薦よりもSceptreの補完的推薦が顕著に好まれることが示された。

ABSTRACT

In a modern recommender system, it is important to understand how products relate to each other. For example, while a user is looking for mobile phones, it might make sense to recommend other phones, but once they buy a phone, we might instead want to recommend batteries, cases, or chargers. These two types of recommendations are referred to as substitutes and complements: substitutes are products that can be purchased instead of each other, while complements are products that can be purchased in addition to each other. Here we develop a method to infer networks of substitutable and complementary products. We formulate this as a supervised link prediction task, where we learn the semantics of substitutes and complements from data associated with products. The primary source of data we use is the text of product reviews, though our method also makes use of features such as ratings, specifications, prices, and brands. Methodologically, we build topic models that are trained to automatically discover topics from text that are successful at predicting and explaining such relationships. Experimentally, we evaluate our system on the Amazon product catalog, a large dataset consisting of 9 million products, 237 million links, and 144 million reviews.

研究の動機と目的

• 大規模な電子商取引カタログにおける置換可能でかつ補完的な製品関係を特定するスケーラブルな手法の開発。
• レーティング、価格、ブランドなどの補助特徴に加え、テキストレビューを用いて製品間の意味的関係をモデル化すること。
• ユーザーが製品を比較する際には代替品を、バンドル購入を検討する際には補完品を提示する、文脈に応じた推薦を生成するシステムの構築。
• レビューが利用できない場合でも、テキスト特徴を活用してコールドスタート推薦を可能にすること。
• 予測結果をレビューの顕著なフレーズに結びつけることで、説明可能な推薦を生成すること。

提案手法

• Sceptreは、製品レビュー、レーティング、価格、カテゴリ階層から得られる特徴を用いて、教師ありリンク予測タスクとして製品関係予測を定式化する。
• 代替性と補完性を予測するのに有用な潜在的トピックを発見するために、トピックモデリング（特にLDA）を採用する。
• これらのトピック特徴を、ブランドや価格、レーティングなどの明示的特徴と組み合わせ、同時に2種類の関係を予測する。
• 検索空間の制限と効率の向上のため、階層的カテゴリ構造を用い、推薦を直近のカテゴリファミリー（親、子、兄弟、および自身）に限定する。
• 説明のため、モデルの関連性関数で最も高い活性化を示すレビュー文を強調表示することで、解釈可能な根拠を提供する。
• 新製品のトピック分布を、再トレーニングを伴わずに事前学習済みLDAモデルを用いて推定することで、コールドスタートをサポートする。

実験結果

リサーチクエスチョン

• RQ1 製品レビューに学習されたトピックモデルは、置換可能でかつ補完的な製品関係を効果的に予測できるか？
• RQ2 価格、ブランド、レーティングなどの補助特徴を組み込むことで、製品関係のリンク予測精度はどのように向上するか？
• RQ3 レビューがなく、もしくは限られたレビューしか存在しない新製品に対しても、このシステムは一般化可能か（コールドスタートシナリオ）？
• RQ4 予測された補完的関係は、実際の同時購入行動や閲覧行動とどのように一致するか？
• RQ5 ユーザーは、Amazonの「よく一緒に購入された商品」の推薦よりもSceptreの推薦を好むか？

主な発見

• Sceptreは、Amazonデータセット上での代替関係および補完関係のリンク予測精度において、ベースライン手法を顕著に上回る。
• ユーザースタディーでは、Sceptreの補完的推薦が、Amazonの「よく一緒に購入された商品」の推薦よりも顕著に好まれており、補完的意図をより優れた品質で捉えていることが示された。
• 製品レビューのテキストが、製品関係を特定するうえで最も情報量の多いソースであり、トピックモデリングが代替と補完の背後にある意味的信号を効果的に捉えている。
• 直近のカテゴリファミリー（親、子、兄弟、および自身）に制限することで、計算コストを削減しつつも上位順位のパフォーマンスを維持でき、高い効率性を達成した。
• 事前学習済みLDAモデルを用いて新製品のトピック分布を推定することで、Sceptreは再トレーニングを伴わずに効果的なコールドスタート推薦を実現した。
• レビューからの関連文を強調表示することで、Sceptreは説明可能な推薦を効果的に提供し、透明性とユーザーの信頼を高めた。