[論文レビュー] Learning Compatibility Across Categories for Heterogeneous Item Recommendation

Ruining He, Charles Packer+1 more|arXiv (Cornell University)|Mar 31, 2016

Recommender Systems and Techniques参考文献 29被引用数 24

ひとこと要約

モノマーは、非メトリック埋め込みの混合による局所的相性の複数の概念をモデル化することで、スケーラブルでメトリック学習に依存しない異種アイテム推薦フレームワークを提案する。コ購入およびコブラウズリンク予測タスクにおいて、多様なアマゾンカテゴリで、LMTのようなメトリックベースのベースラインを上回り、特にクロスカテゴリおよび異種設定で顕著な性能を発揮する。

ABSTRACT

Identifying relationships between items is a key task of an online recommender system, in order to help users discover items that are functionally complementary or visually compatible. In domains like clothing recommendation, this task is particularly challenging since a successful system should be capable of handling a large corpus of items, a huge amount of relationships among them, as well as the high-dimensional and semantically complicated features involved. Furthermore, the human notion of "compatibility" to capture goes beyond mere similarity: For two items to be compatible---whether jeans and a t-shirt, or a laptop and a charger---they should be similar in some ways, but systematically different in others. In this paper we propose a novel method, Monomer, to learn complicated and heterogeneous relationships between items in product recommendation settings. Recently, scalable methods have been developed that address this task by learning similarity metrics on top of the content of the products involved. Here our method relaxes the metricity assumption inherent in previous work and models multiple localized notions of 'relatedness,' so as to uncover ways in which related items should be systematically similar, and systematically different. Quantitatively, we show that our system achieves state-of-the-art performance on large-scale compatibility prediction tasks, especially in cases where there is substantial heterogeneity between related items. Qualitatively, we demonstrate that richer notions of compatibility can be learned that go beyond similarity, and that our model can make effective recommendations of heterogeneous content.

研究の動機と目的

• アイテム同士が一部の点で系統的に類似しており、他の点で異なる場合に、メトリックベースの手法が有する制限を克服すること。
• 対称性、同一性、推移性などのメトリック仮定（例：対称性、同一性、推移性）や明示的なカテゴリラベルに依存するのを回避し、クロスカテゴリ推薦を可能にすること。
• 複数の競合する関連性の概念を同時に捉えることで、多様で文脈的に関連性のある推薦を実現すること。
• 高次元の視覚的・テキスト的特徴空間における複雑な非メトリック相性関係を学習しながらも、スケーラビリティと効率性を維持すること。

提案手法

• 複数の非メトリック視覚空間をモデル化するためのエキスパートの混合（mixture-of-experts）フレームワークを採用し、各空間が異なる局所的関連性の概念を捉えるようにする。
• クエリアイテムと候補アイテムを、別々の埋め込み行列を用いてN個の異なる視覚空間に射影し、各空間でユークリッド距離を計算する。
• ルーティングネットワークを用いて各空間の重みを確率的に学習し、クエリアイテムに応じて距離成分を適応的に組み合わせる。
• メトリシティの仮定を緩和し、非対称的・非同一的・非推移的な関係を許容することで、より洗練された相性モデル化を可能にする。
• アマゾンのコ購入およびコブラウズペairに対して、コントラスト損失を用いてエンドツーエンドでモデルを学習し、空間間で埋め込みパラメータを共有する。
• 同じ数の埋め込みパラメータを使用する場合、従来の手法（例：LMT）と同等の時間計算量を維持することで、計算効率を確保する。

実験結果

リサーチクエスチョン

• RQ1 非メトリックで複数の関連性概念を捉える埋め込みフレームワークは、メトリックベースの手法を上回る性能を示せるか？
• RQ2 明示的なカテゴリラベルに依存せずに、モノマーは多様でクロスカテゴリの推薦をどの程度生成できるか？
• RQ3 実世界のアマゾンデータにおいて、モノマーは異なる製品カテゴリやリンクタイプ（例：also_bought 対 也viewed）に一般化してどの程度の性能を発揮するか？
• RQ4 一貫したグローバル類似性メトリックではなく、複数の局所的関連性の概念をモデル化することで、推薦品質は向上するか？
• RQ5 モノマーは視覚的・テキスト的類似性を超えた相性、例えば機能的補完性（例：ノートPCと充電器）やスタイリスティックな調和（例：ジーンズとシャツ）を効果的に学習できるか？

主な発見

• モノマーは、すべてのアマゾンカテゴリでLMTを著しく上回り、平均して23.8%の誤差低減効果を達成した。
• 「also_bought」タスクでは、全カテゴリでテスト誤差が12.94%にまで低下したのに対し、LMTは17.19%であったため、より困難で異種性の高い関係性において優れた性能を示した。
• 「Phones」カテゴリでは、LMTの29.44%からモノマーの22.68%に誤差が低下し、極めて異種性の高い製品空間でも優れた性能を発揮した。
• 「also_bought」と「also_viewed」の両リンク予測タスクで最先端のパフォーマンスを達成し、特に「Electronics」では「also_viewed」タスクで42%の改善、また「Phones」では35%の改善を達成した。
• モデルは、視覚的類似性を越えたスタイリスティックおよび機能的相性を反映した、質的に多様な推薦を生成した。例として、Tシャツと靴、あるいは色が異なるシャツの組み合わせなど、単なる視覚的類似性を超えた関連性を捉えた。
• 同じ数の埋め込みパラメータを使用する場合、モノマーはLMTと同等の時間計算量を維持しており、モデルの表現力が向上してもスケーラビリティを損なわないことを確認した。