[論文レビュー] New Item Consumption Prediction Using Deep Learning

Michael Shekasta, Gilad Katz+3 more|arXiv (Cornell University)|May 5, 2019

Recommender Systems and Techniques参考文献 29被引用数 6

ひとこと要約

本論文では、新規アイテムを含むコールドスパートシナリオにおいて、セッションベースのレコメンデーションシステムにおける購入意思決定の予測を、コンテンツに依存する深層学習ベースの手法PISAが提案されている。商品の説明文から得られる単語埋め込みと再帰ニューラルネットワーク（RNN）を活用することで、PISAはコールドスタート設定において深層学習ベースラインを上回り、極めて不均衡なデータに対しても効果的に対処できる。さらに、協調フィルタリングモデルと組み合わせることで性能が向上する。

ABSTRACT

Recommendation systems have become ubiquitous in today's online world and are an integral part of practically every e-commerce platform. While traditional recommender systems use customer history, this approach is not feasible in 'cold start' scenarios. Such scenarios include the need to produce recommendations for new or unregistered users and the introduction of new items. In this study, we present the Purchase Intent Session-bAsed (PISA) algorithm, a content-based algorithm for predicting the purchase intent for cold start session-based scenarios. Our approach employs deep learning techniques both for modeling the content and purchase intent prediction. Our experiments show that PISA outperforms a well-known deep learning baseline when new items are introduced. In addition, while content-based approaches often fail to perform well in highly imbalanced datasets, our approach successfully handles such cases. Finally, our experiments show that combining PISA with the baseline in non-cold start scenarios further improves performance.

研究の動機と目的

• 新規アイテムに歴史的相互作用データがない場合（コールドスタート時）、セッションベースのレコメンデーションシステムにおける購入意思決定の予測という課題に対処すること。
• ユーザーの履歴に依存せずに、商品の説明文と埋め込みを活用してアイテム間の関係をモデル化するコンテンツベースのアプローチを開発すること。
• 実世界の電子商取引環境で一般的な、極めて不均衡なデータセットにおけるパフォーマンスを向上させること。
• 多様な商品カテゴリをカバーする大規模な商用データセットを用いて、この手法の有効性を評価すること。
• 既存の協調フィルタリングベースラインと組み合わせることで、パフォーマンスを向上させる可能性を検討すること。

提案手法

• PISAは、商品の説明文とカテゴリに特徴付けられた単語埋め込みを用いて、アイテム間の意味的関係をモデル化する。
• 時間的依存性を捉えるために、RNNを用いてセッションシーケンスを処理し、購入の可能性を予測する。
• 二値交差エントロピー損失を用いて、教師あり学習によりエンドツーエンドでモデルを訓練し、セッションが購入で終了するかどうかを予測する。
• 事前学習済みの埋め込みを活用することで、知識をアイテム間で転送し、未観測の新規アイテムに対しても一般化を可能にする。
• 本手法は、協調フィルタリングベースラインと組み合わせたアンサンブルとしても評価される。
• 豊富なコンテンツ特徴が、購入イベントがまれな場合でも信号を提供するため、本手法はデータの不均衡に対して頑健である。

実験結果

リサーチクエスチョン

• RQ1 新規アイテムに歴史的相互作用データがない状況下で、コンテンツベースの深層学習モデルが、セッションベースのシナリオにおいて購入意思決定を効果的に予測できるか。
• RQ2 コールドスタート設定において、コンテンツベースのPISAモデルは、最先端の深層学習協調フィルタリングベースラインと比較して、どの程度の性能を示すか。
• RQ3 PISAは、購入イベントが非購入アクションに比べてまれな、極めて不均衡なデータセットに対して、どの程度効果的に対処できるか。
• RQ4 PISAを協調フィルタリングベースラインと組み合わせることで、コールドスタートでないシナリオにおいて全体のパフォーマンスが向上するか。
• RQ5 商品の説明文の長さ、カテゴリ固有のデータ量、セッションのクリックパターンは、PISAの予測性能にどのような影響を及けるか。

主な発見

• PISAは、特に50％のセッションに新規アイテムが含まれるようなコールドスタートシナリオにおいて、深層学習ベースラインを顕著に上回り、AUCスコアにおいて明確な性能差を示した。
• 新規アイテムが多数存在する状況では、コンテンツベースのアプローチが、ベースラインおよび統合モデルを上回る性能を発揮し、未観測アイテムへの一般化能力が強いことが示された。
• PISAは、ほとんどのレコメンデーションシステムが課題としている、極めて不均衡なデータセットに対しても、強力なパフォーマンスを維持した。
• 平均的な商品説明文が長く、アイテム数が多い商品カテゴリで、PISAの性能がより高く、より豊富なテキスト特徴が学習を促進することが示唆された。
• 驚くべきことに、カテゴリごとのトレーニングセッション数の多寡はパフォーマンスにほとんど影響を及ぼさず、単語埋め込みによるカテゴリ間の一般化が効果的に行われていることが示された。
• PISAを協調フィルタリングベースラインと統合することで、すべてのシナリオでパフォーマンスが向上し、両者の相補的な強みが裏付けられた。