[論文レビュー] RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation

Pengjie Ren, Zhumin Chen+4 more|arXiv (Cornell University)|Dec 6, 2018

Recommender Systems and TechniquesComputer Science参考文献 16被引用数 17

ひとこと要約

RepeatNetは、再消費を明示的にモデル化するための二重デコーダーを備えた再消費探索メカニズムを導入することで、セッションベース推薦において再消費を効果的に扱う新しいニューラル推薦モデルである。3つのベンチマークデータセットにおいて最先端の手法を上回り、MRRおよびRecallの向上が顕著に見られ、再消費割合やデータセットサイズが増加するほど顕著になる。

ABSTRACT

Recurrent neural networks for session-based recommendation have attracted a lot of attention recently because of their promising performance. repeat consumption is a common phenomenon in many recommendation scenarios (e.g., e-commerce, music, and TV program recommendations), where the same item is re-consumed repeatedly over time. However, no previous studies have emphasized repeat consumption with neural networks. An effective neural approach is needed to decide when to perform repeat recommendation. In this paper, we incorporate a repeat-explore mechanism into neural networks and propose a new model, called RepeatNet, with an encoder-decoder structure. RepeatNet integrates a regular neural recommendation approach in the decoder with a new repeat recommendation mechanism that can choose items from a user's history and recommends them at the right time. We report on extensive experiments on three benchmark datasets. RepeatNet outperforms state-of-the-art baselines on all three datasets in terms of MRR and Recall. Furthermore, as the dataset size and the repeat ratio increase, the improvements of RepeatNet over the baselines also increase, which demonstrates its advantage in handling repeat recommendation scenarios.

研究の動機と目的

• ニューラルセッションベース推薦システムにおいて、再消費の明示的モデリングが不足している問題に対処すること。
• ユーザーが頻繁に同じアイテムを再消費する状況（例：EC、音楽、テレビ）における推薦パフォーマンスの向上。
• 過去にインタラクトしたアイテムを再推薦するか、新しいアイテムを発見するかを動的に決定するメカニズムの開発。
• 統合フレームワーク内でモード切り替え（再消費対探索）とアイテムスコアリングのエンドツーエンド学習を可能にすること。

提案手法

• セッション履歴を表現するためのGRUベースのエンコーダを備えたエンコーダデコーダアーキテクチャを採用する。
• 二つの推薦モード（再消費：過去のアイテムを再推薦、探索：未見のアイテムを推薦）間のスイッチ確率を学習する再消費探索メカニズムを導入する。
• 二つのデコーダを採用：一つは履歴アイテムに対する再消費モードの推薦確率を計算し、もう一つは未見アイテムに対する探索モードの推薦確率を計算する。
• モードスイッチ確率と両方のデコーダからのアイテムスコアを確率的フュージョンにより組み合わせ、最終的な推薦スコアを生成する。
• 推薦損失とモード予測損失の共同最適化を用いて、エンドツーエンドでモデルを訓練する。
• 表現学習を強化するためのアテンション機構を組み込み、再消費メカニズムとの相乗効果をアブレーションスタディで評価する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルモデルは、セッションベース推薦において、過去に消費済みのアイテムを再推薦すべきタイミングを効果的に学習できるか？
• RQ2 再消費の明示的モデリングは、標準ベンチマークデータセットにおけるパフォーマンスにどのように影響するか？
• RQ3 再消費メカニズムとアテンション機構の両者が、推薦品質向上に果たす相対的寄与度は何か？
• RQ4 RepeatNetのパフォーマンス向上は、再消費割合やデータセットサイズの増加に伴って大きくなるか？
• RQ5 モード予測とアイテム推薦の共同学習は有益か、それとも再消費推薦への過学習を引き起こすか？

主な発見

• RepeatNetは、YOOCHOOSE、DIGINETICA、LASTFMの3つのベンチマークデータセットにおいて、MRRおよびRecallの両面で最先端のベースラインを上回った。
• YOOCHOOSEでは、Recall@20が70.71%、MRR@20が31.03%を達成し、Improved-GRU4RECを顕著に上回った。
• 再消費メカニズムはMRR向上に寄与が大きく、アテンション機構はRecall向上に貢献し、両者の組み合わせが最良のパフォーマンスをもたらした。
• 再消費割合やデータセットサイズが高くなるほど、RepeatNetのパフォーマンス向上が顕著に増大し、再消費が多いシナリオでの有効性が裏付けられた。
• 推薦損失とモード予測損失の共同学習はわずかにパフォーマンスを低下させた。これは、推薦損失そのものがモード学習の強力な教師信号である可能性を示唆している。
• アブレーションスタディの結果、YOOCHOOSEの繰り返しセッションにおいて、再消費メカニズムを備えたRepeatNetはRecall@20が97.41%に達したのに対し、それなしでは93.70%にとどまり、メカニズムの影響が明確に示された。