[論文レビュー] Personalized Embedding-based e-Commerce Recommendations at eBay
本論文では、コンテンツ特徴量とマルチモーダルなサイト内行動（例：クリック、検索）を用いて、共有ベクトル空間内でパーソナライズされたユーザーおよびアイテム埋め込みを学習する2タワーディープラーニングモデルを提示する。このアプローチにより、eコマースにおけるコールドスタート問題とデータスパarsityを緩和し、A/Bテストにおいて生産環境のRVIベースライン比で推奨表面率が約6%向上し、リストページインプレッションの90%にカバー範囲を拡大した。
Recommender systems are an essential component of e-commerce marketplaces, helping consumers navigate massive amounts of inventory and find what they need or love. In this paper, we present an approach for generating personalized item recommendations in an e-commerce marketplace by learning to embed items and users in the same vector space. In order to alleviate the considerable cold-start problem present in large marketplaces, item and user embeddings are computed using content features and multi-modal onsite user activity respectively. Data ablation is incorporated into the offline model training process to improve the robustness of the production system. In offline evaluation using a dataset collected from eBay traffic, our approach was able to improve the Recall@k metric over the Recently-Viewed-Item (RVI) method. This approach to generating personalized recommendations has been launched to serve production traffic, and the corresponding scalable engineering architecture is also presented. Initial A/B test results show that compared to the current personalized recommendation module in production, the proposed method increases the surface rate by $\sim$6\% to generate recommendations for 90\% of listing page impressions.
研究の動機と目的
- スパースなユーザー・アイテム相互作用を伴う大規模eコマースマーケットプレイスにおけるコールドスタート問題に対処する。
- 特にホーム画面や非リストページにおいて、シードアイテムベースの手法を超えた推薦カバレッジとパーソナライズ化を向上させる。
- オフライン学習中にデータアブレーションを適用することで、生産環境におけるデータスパarsityとモデルの不安定性を克服する。
- eBayのプラットフォーム上でインダストリアルスケールでディープラーニング埋め込みを展開できる、スケーラブルで低レイテンシのエンジニアリングアーキテクチャを開発する。
- クラスターベースのKNNとマルチモーダルユーザー信号統合を通じて、モデルのロバスト性と多様性を向上させる。
提案手法
- アイテムのコンテンツ特徴量とマルチモーダルユーザー行動（クリック、検索）を用いて、2タワーディープニューラルネットワークを訓練し、ユーザーとアイテムを共有ベクトル空間に埋め込む。
- 新規または1件のみのリストインプレッションのコールドスタートを軽減するため、コンテンツベースの埋め込みをアイテムに適用する。
- アイテム閲覧や検索クエリなど、多様な暗黙的信号をユーザー埋め込みに統合し、動的なショッピングミッションを捉える。
- オフライン学習中にデータアブレーションを適用し、欠損したユーザーデータをシミュレートすることで、生産環境におけるモデルのロバスト性を向上させる。
- 効率的な検索を実現するため、クラスターベースのKNNを用い、候補推薦の多様性を向上させる。
- リアルタイム推論とオプションのLTRランク付けを可能にする、低レイテンシでJVMベースのキャッシュアーキテクチャを活用してモデルを展開する。
実験結果
リサーチクエスチョン
- RQ1コンテンツベースのアイテム埋め込みは、大規模eコマース環境においてコールドスタート問題を効果的に軽減できるか？
- RQ2クリックや検索などのマルチモーダルユーザー信号を統合することで、単純な閲覧ベースの信号に比べてパーソナライズ性がどのように向上するか？
- RQ3学習中にデータアブレーションを適用することで、不完全またはノイズの多いユーザーデータを伴う生産環境におけるモデルのロバスト性はどの程度向上するか？
- RQ4スケーラブルで低レイテンシの埋め込みベースのシステムは、従来のRVIベースの手法に比べて高い推奨表面率を達成できるか？
- RQ5どのようなエンジニアリングアーキテクチャが、eBayの規模で効率的かつリアルタイムのディープラーニング埋め込み推論を可能にするか？
主な発見
- 提案手法は、生産環境のRVIベースのシステムと比較して表面率を約6%向上させ、リストページインプレッションの90%に対して推奨を可能にした。
- オフライン評価において、eBayの本物のトラフィックデータセットを用いてRVIベースラインを上回ることを示した。
- 検索とクリック行動をユーザー埋め込みに統合することで、候補セットが著しく拡大され、特に閲覧履歴が限られたユーザーのカバレッジが向上した。
- 学習中にデータアブレーションを適用することで、実世界のデータスパarsity下でもモデルの安定性とパフォーマンスが向上し、特に生産環境で顕著であった。
- クラスターベースのKNNアプローチにより、頻繁に閲覧されたアイテムへの過剰依存が軽減され、推薦の多様性が向上した。
- 本システムは生産環境に正常にデプロイされており、5000万人の米国ユーザーを対象にサービスを提供し、グローバルスケーリングが実現している。今後はイベントストリーム処理とリアルタイムKNNサービスを活用し、近似リアルタイムの更新を計画している。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。