[論文レビュー] The Continuous Cold Start Problem in e-Commerce Recommender Systems

Lucas Bernardi, Jaap Kamps+2 more|UvA-DARE (University of Amsterdam)|Aug 5, 2015

Recommender Systems and Techniques参考文献 18被引用数 13

ひとこと要約

この論文は、eコマースレコメンデーションシステムにおける継続的コールドスタート（CoCoS）問題を紹介する。ユーザーとアイテムが頻度の低い使用、興味の変化、複数のユーザーパーソナに起因して繰り返しコールド状態に陥る。本研究では、リアルタイムでのユーザーニーズと文脈的特徴を活用することで、データスパarsityにもかかわらずタイムリーかつ関連性の高いレコメンデーションを提供する、文脈に配慮したおよびコンテンツベースのレコメンデーション戦略を効果的な解決策として提案する。

ABSTRACT

Many e-commerce websites use recommender systems to recommend items to users. When a user or item is new, the system may fail because not enough information is available on this user or item. Various solutions to this `cold-start problem' have been proposed in the literature. However, many real-life e-commerce applications suffer from an aggravated, recurring version of cold-start even for known users or items, since many users visit the website rarely, change their interests over time, or exhibit different personas. This paper exposes the `Continuous Cold Start' (CoCoS) problem and its consequences for content- and context-based recommendation from the viewpoint of typical e-commerce applications, illustrated with examples from a major travel recommendation website, Booking.com.

研究の動機と目的

• Booking.comのようなeコマースプラットフォームを含む産業界のレコメンデーションシステムにおいて、繰り返し発生する課題として継続的コールドスタート（CoCoS）問題を特定・形式化すること。
• ユーザーまたはアイテムが低活動、興味の変化、複数のパーソナに起因して繰り返しコールド状態に陥る場合に、協調フィルタリングやハイブリッドモデルなどの従来のコールドスタートソリューションが有効でないことを強調すること。
• ユーザーの変動性や一時的なユーザーステータスに即座に対応できる、より強固な文脈に配慮したおよびコンテンツベースのレコメンデーションアプローチを提案し、リアルタイムでの適応を可能とすること。
• マトリックス因子分解にカルマンフィルタを適用するか、トピックモデリングを行う既存の手法が部分的な改善をもたらすものの、CoCoSの動的性質を完全に解消できないことを示すこと。
• オンラインでのニーズモデリングと文脈ベースのレコメンデーションを、現在のユーザ行動と文脈に即応して反応することで、CoCoSを緩和する有望な戦略として提唱すること。

提案手法

• リアルタイムの文脈的特徴（時刻、場所、デバイス、天候、ユーザーセッション行動など）に基づいてレコメンデーションを計算する文脈に配慮したレコメンデーションシステムを提案する。
• オンラインでのユーザーニーズ予測を採用し、数回の相互作用の後でユーザの現在のプロファイルを動的に推定することで、より迅速かつ関連性の高いレコメンデーションを可能にする。
• アイテム属性の類似性を活用することで、単一の検索クエリやクリックからの最小限の入力からも初期レコメンデーションを生成するコンテンツベースフィルタリングを採用する。
• ユーザーニーズをセッションレベルでモデリングするため、ファクタードマルコフ意思決定過程の使用を提案し、進化するユーザ行動に基づく適応型レコメンデーション生成を可能にする。
• 特に低信号状況において有用な、探索と活用のバランスを取る文脈的マルチアームバンディットフレームワークを採用する。
• 協調フィルタリングとコンテンツベースまたは文脈に配慮したコンponentを組み合わせたハイブリッドモデルを採用するが、ユーザーがパーソナや興味を急速に切り替える場合、標準的なハイブリッドアプローチは機能しないことを強調する。

実験結果

リサーチクエスチョン

• RQ1 継続的コールドスタート（CoCoS）問題は、ユーザー活動が少ない、または興味が変化するプラットフォームにおいて、実世界のeコマースレコメンデーションシステムにどのように現れるのか？
• RQ2 協調フィルタリングにベースラインを適用するか、ハイブリッドモデルを用いる従来のコールドスタートソリューションが、産業応用において繰り返し発生するコールドスタートに対し、なぜ失敗するのか？
• RQ3 文脈に配慮したおよびコンテンツベースのレコメンデーション戦略は、一時的なユーザーステータスや複数のパーソナに適応することで、CoCoS問題をどの程度緩和できるのか？
• RQ4 オンラインでのニーズモデリングとリアルタイムの文脈処理は、コールドスタート段階でのレコメンデーション遅延を低減し、関連性を向上させるのにどの程度効果的か？
• RQ5 動的マトリックス因子分解やトピックモデリングといった既存のアプローチには、どのような限界があり、急速なユーザーニーズの変化や文脈依存行動を処理できないのか？

主な発見

• 継続的コールドスタート（CoCoS）問題は、Booking.comのような実世界のeコマースプラットフォームで広く見られる。ユーザーは長期間の非活動後に頻繁に再び戻ってくるか、ビジネスとレジャーの異なる旅行パーソナの間で切り替えることが一般的である。
• 従来のコールドスタートソリューションは、ユーザーが温かくなり、その後も温かいままでいなければならないという仮定に基づいているが、これはユーザーの興味が変化するか、使用頻度が低い場合に繰り返し冷え込むため、成り立たない。
• 文脈に配慮したレコメンデーションシステムは、リアルタイムの文脈（例：時刻、デバイス、場所）に基づくクラスタリングにより、歴史的データが最小限であっても関連性の高いレコメンデーションを提供する。
• コンテンツベースアプローチは、初期段階のレコメンデーションにおいて協調フィルタリングを上回る性能を示す。これは、単一の相互作用やクエリがあれば意味のある提案を生成できるからである。
• ファクタードマルコフ意思決定過程を用いたオンラインニーズモデリングにより、数回のクリック後に動的にユーザーニーズを推定することで、短時間のセッション中でもレコメンデーションの関連性が向上する。
• ハイブリッドモデルや動的マトリックス因子分解（例：カルマンフィルタを用いたSVD）はオフライン評価では改善を示すが、実際のシステムでは急速なパーソナ切り替えや文脈依存行動を処理するには不十分である。