[論文レビュー] Session-based Complementary Fashion Recommendations

Jui-Chieh Wu, José Antonio Sánchez Rodríguez+1 more|arXiv (Cornell University)|Aug 22, 2019

Recommender Systems and Techniques参考文献 14被引用数 5

ひとこと要約

本論文では、ユーザーのセッションデータ、注文イベント、カテゴリ埋め込み、画像埋め込みを活用することで、協調フィルタリング（CF-c）を改善した、補完的ファッションアイテム向けのセッションベースのニューラル推薦モデルZSF-cを提案する。オフラインではOrders Recall@5が+8.2%向上し、オンラインでは購入商品数が+3.24%増加し、実世界のEC環境における優れたパーソナライゼーションと関連性を示した。

ABSTRACT

In modern fashion e-commerce platforms, where customers can browse thousands to millions of products, recommender systems are useful tools to navigate and narrow down the vast assortment. In this scenario, complementary recommendations serve the user need to find items that can be worn together. In this paper, we present a personalized, session-based complementary item recommendation algorithm, ZSF-c, tailored for the fashion usecase. We propose a sampling strategy adopted to build the training set, which is useful when existing user interaction data cannot be directly used due to poor quality or availability. Our proposed approach shows significant improvements in terms of accuracy compared to the collaborative filtering approach, serving complementary item recommendations to our customers at the time of the experiments CF-c. The results show an offline relative uplift of +8.2% in Orders Recall@5, as well as a significant +3.24% increase in the number of purchased products measured in an online A/B test carried out in a fashion e-commerce platform with 28 million active customers.

研究の動機と目的

• 従来の協調フィルタリングに基づく補完的ファッションアイテム推薦の限界を解消するため、静的類似度とスパムなデータ依存によるカバレッジの低さと関連性の不足に起因する問題を解決すること。
• 短期的および長期的ユーザーの好みを捉える、パーソナライズされたセッションベースの推薦システムを構築すること。
• 豊富な埋め込みと特化したサンプリング戦略を用いてユーザーの相互作用シーケンスをモデリングすることで、推薦の正確性とユーザーの関与度を向上させること。
• 2800万ユーザーを擁する大規模ECプラットフォーム上で、厳密なオフライン評価とオンラインA/Bテストを実施し、モデルのパフォーマンスを検証すること。

提案手法

• ファッションの補完的アイテム予測に適応された、短時間優先注意力メカニズム（STAMP）に基づくセッションベースの推薦フレームワークを採用する。
• 低品質または入手不能な購入データに依存せずに、ユーザーの相互作用ログから訓練用シーケンスを構築するための新規なデータサンプリング戦略を導入する。
• ベースとなるSTAMPモデルに注文イベント、カテゴリ埋め込み、画像埋め込みを追加することで、補完的関係の表現学習を強化する。
• トレーニング時間と推論速度に厳しい制約が課される本番環境における低遅延推論とリアルタイムサービングを最適化する。
• オフライン評価にはリcallと注文ベースの指標（例：Orders Recall@5）を組み合わせ、オンラインパフォーマンスの検証にはA/Bテストを用いる。
• 週単位のサイクルでのデプロイにより平日・週末バイアスを回避し、信頼性の高いオンラインA/Bテスト結果を保証するため、オープンソース統計解析ライブラリExPanを適用する。

実験結果

リサーチクエスチョン

• RQ1 セッションベースのニューラルモデルは、従来の協調フィルタリングに比べ、補完的ファッションアイテムの推薦で優れた性能を示せるか？
• RQ2 注文イベント、カテゴリ、画像埋め込みを組み込むことで、セッションベースの補完的ファッションアイテム推薦のパフォーマンスはどのように向上するか？
• RQ3 提案されたサンプリング戦略は、実世界のECデータセットにおけるデータ品質と可用性の問題をどの程度緩和できるか？
• RQ4 改善されたモデルは、オフライン指標と実オンラインの関与度・コンversionの両面で測定可能な向上をもたらすか？

主な発見

• ZSF-cはベースラインのCF-cと比較して、オフラインでOrders Recall@5が+8.2%の相対的向上を達成し、ユーザーの購入意図と強い整合性を示した。
• オンラインA/Bテストにおいて、購入商品数が+3.24%増加した。これは、実際のビジネスインパクトを示している。
• アブレーションスタディの結果、注文イベント、カテゴリ埋め込み、画像埋め込みの各改善要因が性能向上に段階的に寄与しており、特に画像埋め込みが最大の貢献を示した。
• オンライン結果では、クリックスルーレート（CTR）が+6.23%相対的に向上し、推薦に対するユーザー関与度の向上が示された。
• オフラインとオンラインのOrder Recall指標はCTRよりも強く相関しており、実世界のパフォーマンスの代替指標としてOrder Recallが信頼できることが検証された。
• モデルは短期的なセッションレベルの好みと長期的なユーザー行動の両方を効果的に捉えており、パーソナライゼーションと関連性の向上に寄与した。