[논문 리뷰] A Long-Short Demands-Aware Model for Next-Item Recommendation

Ting Bai, Pan Du외 3명|arXiv (Cornell University)|2019. 02. 12.

Recommender Systems and Techniques참고 문헌 47인용 수 11

한 줄 요약

이 논문은 다중 시간 스케일을 활용하여 장기적 반복 구매 행동과 단기적 동반 구매 패턴을 모두 포착하는 Long-Short Demands-aware Model (LSDM)을 제안한다. 사용자 구매를 시간 스케일별로 클러스터링하고, 복수의 RNN을 통한 공동 학습을 통해 모델링함으로써, 실제 전자상거래 데이터셋에서 다음 항목 추천 정확도를 향상시킨다. 이는 시간에 민감한 수요 모델링의 가치를 입증한다.

ABSTRACT

Recommending the right products is the central problem in recommender systems, but the right products should also be recommended at the right time to meet the demands of users, so as to maximize their values. Users' demands, implying strong purchase intents, can be the most useful way to promote products sales if well utilized. Previous recommendation models mainly focused on user's general interests to find the right products. However, the aspect of meeting users' demands at the right time has been much less explored. To address this problem, we propose a novel Long-Short Demands-aware Model (LSDM), in which both user's interests towards items and user's demands over time are incorporated. We summarize two aspects: termed as long-time demands (e.g., purchasing the same product repetitively showing a long-time persistent interest) and short-time demands (e.g., co-purchase like buying paintbrushes after pigments). To utilize such long-short demands of users, we create different clusters to group the successive product purchases together according to different time spans, and use recurrent neural networks to model each sequence of clusters at a time scale. The long-short purchase demands with multi-time scales are finally aggregated by joint learning strategies. Experimental results on three real-world commerce datasets demonstrate the effectiveness of our model for next-item recommendation, showing the usefulness of modeling users' long-short purchase demands of items with multi-time scales.

연구 동기 및 목표

• 기존 추천 시스템이 사용자 관심사에 집중하지만 시간에 민감한 구매 수요를 간과하는 격차를 보완하기 위해.
• 반복적인 장기적 지속적 관심사(예: 반복 구매)와 동반 구매 행동(예: 색소를 구매한 후 붓을 구매하는 것)을 모두 모델링하기 위해.
• 단일 스케일 모델이 놓치는 다양한 구매 패턴을 포착하기 위해 다중 시간 스케일 시퀀스를 통합하기 위해.
• 다양한 시간 해상도에서 장기 및 단기 수요를 공동으로 학습하여 다음 항목 추천 성능을 향상시키기 위해.

제안 방법

• 모델은 시간적 밀도에 따라 연속적인 사용자 구매를 다중 시간 스케일 기반으로 시퀀스로 클러스터링한다.
• 순환 신경망(RNN)을 사용하여 각 시간 스케일에서 사용자 구매 시퀀스를 모델링하여 순차적 의존성을 포착한다.
• 각 시간 스케일에서 장기 및 단기 수요를 별도로 학습하며, 클러스터 유형별로 별도의 RNN을 사용한다.
• 공동 학습 전략을 통해 다중 시간 스케일의 표현을 통합하여 통합된 사용자 수요 임베딩을 형성한다.
• 사용자-항목 상호작용 기록과 시간에 민감한 클러스터링을 통합하여 반복적 및 동반 구매 패턴을 탐지한다.
• 다중 시간 스케일 설계 덕분에 다양한 빈도의 구매와 시간 해상도에 따라 달라지는 공존 패턴을 탐지할 수 있다.

실험 결과

연구 질문

• RQ1 다중 시간 스케일에서 사용자 구매 행동을 모델링하면 다음 항목 추천 성능이 향상되는가?
• RQ2 장기적 반복 구매와 단기적 동반 구매는 시간 패턴에서 어떻게 다름을 보이며, 별도로 모델링할 수 있는가?
• RQ3 다중 스케일 수요의 공동 학습은 단일 스케일 모델보다 더 나은 다음 항목 예측 성능을 낼 수 있는가?
• RQ4 시간에 민감한 수요 신호를 통합하면 일반적인 관심사 모델링을 초월해 추천 정확도를 향상시킬 수 있는가?

주요 결과

• LSDM은 타-펑, 베이런, 아마존 세 개의 실세계 전자상거래 데이터셋에서 최신 기술 기준 모델을 능가한다.
• 장기 및 단기 수요를 모두 포착함으로써 다음 항목 추천 정확도가 크게 향상된다.
• 다중 시간 스케일 모델링 덕분에 단일 스케일 모델이 포착하지 못하는 다양한 동반 구매 및 반복 구매 패턴을 탐지할 수 있다.
• 장기 및 단기 수요의 공동 학습은 실시간 사용자 수요를 더 잘 표현하여 추천의 관련성을 향상시킨다.
• 실험 결과 시간에 민감한 구매 수요가 추천 성능 향상에 핵심 신호임을 입증한다.