[論文レビュー] Modeling Personalized Item Frequency Information for Next-basket Recommendation

Haoji Hu, Xiangnan He+2 more|arXiv (Cornell University)|May 31, 2020

Recommender Systems and Techniques参考文献 37被引用数 10

ひとこと要約

本稿では、次回のカゴ推薦を改善するために、個人別アイテム頻度（PIF）を明示的にモデル化するk近傍法（kNN）ベースの手法TIFU-KNNを提案する。個々の購入頻度と協調的購入パターンの両方を捉えることで、複雑なニューラルネットワーク構造を欠くにもかかわらず、深層学習ベースラインを上回る性能を発揮する。特にPIF信号が重要となる状況では顕著な優位性を示す。

ABSTRACT

Next-basket recommendation (NBR) is prevalent in e-commerce and retail industry. In this scenario, a user purchases a set of items (a basket) at a time. NBR performs sequential modeling and recommendation based on a sequence of baskets. NBR is in general more complex than the widely studied sequential (session-based) recommendation which recommends the next item based on a sequence of items. Recurrent neural network (RNN) has proved to be very effective for sequential modeling and thus been adapted for NBR. However, we argue that existing RNNs cannot directly capture item frequency information in the recommendation scenario. Through careful analysis of real-world datasets, we find that {\em personalized item frequency} (PIF) information (which records the number of times that each item is purchased by a user) provides two critical signals for NBR. But, this has been largely ignored by existing methods. Even though existing methods such as RNN based methods have strong representation ability, our empirical results show that they fail to learn and capture PIF. As a result, existing methods cannot fully exploit the critical signals contained in PIF. Given this inherent limitation of RNNs, we propose a simple item frequency based k-nearest neighbors (kNN) method to directly utilize these critical signals. We evaluate our method on four public real-world datasets. Despite its relative simplicity, our method frequently outperforms the state-of-the-art NBR methods -- including deep learning based methods using RNNs -- when patterns associated with PIF play an important role in the data.

研究の動機と目的

• 既存のRNNベースの手法が無視する、個人別アイテム頻度（PIF）における2つの重要な信号、すなわち個々の購入頻度と協調的購入パターンを特定・活用すること。
• RNNが強力な表現能力を持つにもかかわらず、推薦設定においてベクトル加算を学習できない理由を解明すること。
• PIF信号を直接捉えるシンプルだが効果的なkNNベースの手法を提案し、推薦精度を向上させること。
• 実世界のデータセット上で手法を評価し、PIFが情報を持つ状況において最先端の深層学習モデルを上回ることを示すこと。

提案手法

• TIFU-KNNは、ユーザーの履歴カゴから得られるユーザー埋め込みを用い、アイテム頻度パターンに基づいて他のユーザーとの類似度を計算する。
• 時間的ダイナミクスをモデル化するため、2段階の時間割引重み付けスキームを導入する：グループ内での最近のカゴに対する重み付けと、グループ間の重み付け。
• 最終的な予測は、ユーザー固有の信号と協調的信号を、学習可能な重みαを用いて組み合わせる。ここで、u_tは個々のPIFを、u_nは協調的PIFを表す。
• kNNアプローチはアイテム頻度カウントを特徴量として直接使用するため、ニューラルネットワークの学習を回避し、頻度に基づくパターンの明示的モデル化を可能にする。
• 最新の購入とグループレベルのパターンを優先するための時間割引重み機構を組み込み、時間的感度を向上させる。
• 非凸最適化の課題を回避するため、RNNの非凸トレーニングを避けて、正確なkNN検索と重み付き集約に依存する。

実験結果

リサーチクエスチョン

• RQ1 既存のRNNベースのモデルは、なぜ次回カゴ推薦において個人別アイテム頻度（PIF）信号を捉えられていないのか？
• RQ2 PIFに含まれる2つの主要なパターンとは何か。それらはどのように効果的にモデル化できるか？
• RQ3 PIF信号がデータに重要である状況において、シンプルなkNNベースの手法が深層学習モデルを上回ることができるか？
• RQ4 時間割引重みが、提案手法のkNNが時間的ダイナミクスを捉える性能に与える影響は何か？
• RQ5 RNNが推薦タスクにおいてベクトル加算を学習する能力に根本的な制限があるとすれば、それは性能にどのように影響を与えるか？

主な発見

• TIFU-KNNは、4つの実世界データセットにおいて最先端のRNNベースの手法を上回り、PIFパターンが顕著な場合に顕著な優位性を示す。
• ValuedShopperデータセットでは、個々の信号と協調的信号を組み合わせた場合、Recall@10が0.2171に達し、個々の成分を上回る。
• Instacartデータセットでは、両方の信号を組み合わせた場合、Recall@10が0.3825に達し、最良のベースラインを大きく上回る。
• 感度分析から、最適なハイパーパrameter（例：r_b = 0.9, r_g = 0.9）が最高の性能をもたらすことが確認され、2段階の時間割引重み設計の有効性が裏付けられる。
• アブレーションスタディにより、個々のPIF（u_t）と協調的PIF（u_n）が性能向上にそれぞれ独自の貢献をしていることが確認され、両者の組み合わせが最良の結果をもたらす。
• 本手法は、近傍数（k）やグループ数（m）が変化しても、一貫した性能向上を示し、データセット全体にわたるロバスト性を示している。