[論文レビュー] Learning Item-Interaction Embeddings for User Recommendations

Xiaoting Zhao, Raphael Louca+2 more|arXiv (Cornell University)|Dec 11, 2018

Recommender Systems and Techniques参考文献 12被引用数 6

ひとこと要約

本論文では、アイテムのアイデンティティとインタラクションタイプ（例：閲覧、カートに追加、購入）の両方を符号化する、インタラクションベースのアイテム埋め込みを学習する新規手法を提案する。これにより、より正確で説明可能なユーザーレコメンデーションが可能になる。学習された埋め込みを用いてアイテム-インタラクションペアの共起パターンをモデル化することで、本手法は生産スケールのレコメンデーションシステムにおける候補セット選定を改善し、オンラインA/Bテストでクリックスルーレートとコンversionレートが向上した。

ABSTRACT

Industry-scale recommendation systems have become a cornerstone of the e-commerce shopping experience. For Etsy, an online marketplace with over 50 million handmade and vintage items, users come to rely on personalized recommendations to surface relevant items from its massive inventory. One hallmark of Etsy's shopping experience is the multitude of ways in which a user can interact with an item they are interested in: they can view it, favorite it, add it to a collection, add it to cart, purchase it, etc. We hypothesize that the different ways in which a user interacts with an item indicates different kinds of intent. Consequently, a user's recommendations should be based not only on the item from their past activity, but also the way in which they interacted with that item. In this paper, we propose a novel method for learning interaction-based item embeddings that encode the co-occurrence patterns of not only the item itself, but also the interaction type. The learned embeddings give us a convenient way of approximating the likelihood that one item-interaction pair would co-occur with another by way of a simple inner product. Because of its computational efficiency, our model lends itself naturally as a candidate set selection method, and we evaluate it as such in an industry-scale recommendation system that serves live traffic on Etsy.com. Our experiments reveal that taking interaction type into account shows promising results in improving the accuracy of modeling user shopping behavior.

研究の動機と目的

• 伝統的な共起に基づく候補セット選定の限界、すなわちインタラクションタイプを無視し、カバレッジが低いことに対処すること。
• 異なるインタラクションタイプ（例：閲覧 vs. カートに追加）を、異なるショッピング意図を示す指標として区別することで、ユーザーベンチの正確なモデル化を図ること。
• スケーラブルな候補生成に適した、アイテム-インタラクション共起パターンを捉える計算効率の良い埋め込みモデルの開発。
• Etsy.comで実際の生産環境において、オフライン指標とオンラインA/Bテストを用いて手法の評価を行うこと。

提案手法

• 本モデルは、各アイテム-インタラクションペア（例：「アイテムAが閲覧された」「アイテムBがカートに追加された」）に対して一意の埋め込みベクトルを学習する。アイテムごとの単一の埋め込みではなく、こうしたペア単位の埋め込みを学習する。
• トレーニング中にネガティブサンプリング戦略を用い、埋め込み空間内での内積によるアイテム-インタラクションペアの共起確率を最適化する。
• 候補セットは、ユーザーの最近のインタラクション埋め込みと類似度が最も高い（内積が最大の）アイテムの埋め込みを特定することで生成され、ユーザーに特化したレコメンデーションが可能になる。
• 本手法は明示的な共起にとどまらず、ユーザーがどのアイテムを好むかだけでなく、どのようにそれらとインタラクトするか（例：「あなたが閲覧したので、カートに追加したいかもしれません」）まで予測できる。
• 本アプローチは、Etsyのホームページレコメンデーションシステムに、共購入ベースのベースラインを置き換える候補セット選定モジュールとしてデプロイされた。
• オンラインA/Bテストでは、閲覧済みアイテム用とカートに追加済みアイテム用の2モジュール設計を採用し、説明可能性とパーソナライゼーションの両方を向上させた。

実験結果

リサーチクエスチョン

• RQ1 アイテム埋め込みにインタラクションタイプ（例：閲覧、カートに追加）を組み込むことで、ユーザーレコメンデーションの候補セットの精度が向上するか？
• RQ2 オフラインのヒットレートとオンラインのビジネス指標の観点から、インタラクションベースの埋め込みは、従来の共起に基づく手法と比べてどのように性能を発揮するか？
• RQ3 インタラクションに意識的な埋め込みは、閲覧行動とカートに追加する行動の違いといった、ユーザーベンチの微細な意図をどの程度捉えることができるか？
• RQ4 埋め込みにインタラクションタイプを組み込むことで、生産環境においてより説明可能で実行可能なレコメンデーションが得られるか？

主な発見

• インタラクションベースの埋め込みモデルは、コントロールグループと比較して、「あなたが閲覧したアイテムからインスピレーションを」モジュールでクリックスルーレートに4.1%の向上を示した。
• 処理群ではコンバージョンレートが0.20%上昇し、チェックアウトレートが0.31%上昇した。これは、ユーザーエンゲージメントと購入の可能性の向上を示している。
• オフラインの結果では、埋め込み次元d=100がパフォーマンスと計算コストの最良のトレードオフを示し、d=25では顕著なパフォーマンス低下が見られた。
• 本モデルは、すべての埋め込み次元においてベースラインより優れたヒットレートパフォーマンスを示した。特に高次元で最大の向上が観察された。
• 2モジュールのデプロイ（閲覧済み vs. カートに追加済み）により、説明可能性が向上し、ユーザーベンチに応じたより的確なレコメンデーションが可能になった。
• 本モデルは、オフライン指標とオンラインA/Bテストの両方で共購入ベースのベースラインを上回り、実際の生産環境での有効性が裏付けられた。