[論文レビュー] M2pht: Mixed Models with Preferences and Hybrid Transitions for Next-Basket Recommendation.

Bo Peng, Zhiyun Ren+2 more|arXiv (Cornell University)|Apr 3, 2020

Recommender Systems and Techniques参考文献 29被引用数 4

ひとこと要約

本稿では、次回のバスケットを予測するための混合モデルM2phtを提案する。M2phtは、ユーザーの好み、アイテムレベルの遷移、バスケットレベルの遷移を統合的にモデル化する。ハイブリッド遷移を介してこれらの3要因を統合することで、4つのベンチマークデータセットにおいて、5つの既存手法を上回る最先端の性能を達成した。

ABSTRACT

Next-basket recommendation considers the problem of recommending a set of items into the next basket that users will purchase as a whole. In this paper, we develop a new mixed model with preferences and hybrid transitions for the next-basket recommendation problem. This method explicitly models three important factors: 1) users' general preferences; 2) transition patterns among items and 3) transition patterns among baskets. We compared this method with 5 state-of-the-art next-basket recommendation methods on 4 public benchmark datasets. Our experimental results demonstrate that our method significantly outperforms the state-of-the-art methods on all the datasets. We also conducted a comprehensive ablation study to verify the effectiveness of the different factors.

研究の動機と目的

• 既存の次回バスケット推薦手法が、ユーザーの好み、アイテム間遷移、バスケット間遷移を統合的にモデル化できないという限界を解決すること。
• アイテムとバスケット間の多段階遷移パターンを明示的に捉えることで、推薦精度を向上させること。
• ユーザーの好みと、アイテムレベルおよびバスケットレベルの遷移ダイナミクスを統合する統一フレームワークを構築すること。
• 包括的なアブレーションスタディを通じて、各コンポonentの有効性を検証すること。

提案手法

• M2phtは、ユーザーの好み埋め込みと、アイテムおよびバスケット間の遷移モデリングを統合した混合モデルアーキテクチャを採用する。
• 協調フィルタリング風の埋め込みを用いてユーザーの好みをモデル化し、個々のアイテムに対する好みを捉える。
• アイテムレベルの遷移は、バスケット内でのアイテム間の順序的依存関係を捉える遷移行列を用いてモデル化する。
• バスケットレベルの遷移は、連続するバスケット間のパターンを捉える別個の遷移メカニズムを用いてモデル化する。
• ハイブリッド遷移は、ゲーティング機構またはアテンションベースのファージョンを通じて、アイテムレベルとバスケットレベルの遷移信号を統合して学習する。
• エンドツーエンドで訓練されるマルチタスク学習目的関数により、次回バスケット予測の正確性を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーの好み、アイテムレベルの遷移、バスケットレベルの遷移が、次回バスケット推薦のパフォーマンスにどのように統合的に影響を与えるか？
• RQ2 アイテムとバスケット間のハイブリッド遷移をモデル化することで、個別にモデル化する場合と比較して、どの程度推薦精度が向上するか？
• RQ3 モデルの各コンポーネント（好み、アイテム遷移、バスケット遷移）が、全体のパフォーマンスにどの程度寄与しているか？
• RQ4 提案手法は、ユーザー行動が異なる多様な実世界のデータセットにも一般化可能か？

主な発見

• M2phtは、4つのベンチマークデータセットすべてにおいて、5つの最先端の次回バスケット推薦手法を上回った。
• アブレーションスタディの結果、ユーザーの好み、アイテムレベルの遷移、バスケットレベルの遷移という3つのコンポーネントが、いずれもパフォーマンス向上に有意に寄与していることが確認された。
• ハイブリッド遷移メカニズムは、アイテムレベルまたはバスケットレベルの遷移のみを用いるモデルと比較して、明確なパフォーマンス向上を示した。
• 特に、長尾アイテムの予測やレアユーザーのシナリオにおいて、一貫した精度向上が達成された。