[논문 리뷰] An LSTM-Based Dynamic Customer Model for Fashion Recommendation

Sebastian Heinz, Christian Bracher외 1명|arXiv (Cornell University)|2017. 08. 24.

Recommender Systems and Techniques참고 문헌 8인용 수 9

한 줄 요약

이 논문은 Zalando의 10만 명의 고객 데이터셋에서 실시간으로 순차적 구매 행동을 모델링함으로써 변화하는 패션 선호도를 포착하는 LSTM 기반의 동적 고객 모델을 제안한다. 사전 훈련된 아티클 임베딩(Fashion DNA)과 공유된 시간 인식 LSTM 네트워크를 조합하여, 정적 협업 필터링 및 인기 기반 베이스라인을 능가하는 성능을 달성했으며, 88.5%의 AUC를 기록했다.

ABSTRACT

Online fashion sales present a challenging use case for personalized recommendation: Stores offer a huge variety of items in multiple sizes. Small stocks, high return rates, seasonality, and changing trends cause continuous turnover of articles for sale on all time scales. Customers tend to shop rarely, but often buy multiple items at once. We report on backtest experiments with sales data of 100k frequent shoppers at Zalando, Europe's leading online fashion platform. To model changing customer and store environments, our recommendation method employs a pair of neural networks: To overcome the cold start problem, a feedforward network generates article embeddings in "fashion space," which serve as input to a recurrent neural network that predicts a style vector in this space for each client, based on their past purchase sequence. We compare our results with a static collaborative filtering approach, and a popularity ranking baseline.

연구 동기 및 목표

• 희소하고 드문 구매 시퀀스를 가진 패션 전자상거래 환경에서 동적으로 변화하는 고객 선호도를 모델링하는 데 도전한다.
• 딥 네ural 네트워크를 통해 캘린더 특징을 활용하여 신규 패션 아이템에 대한 콜드 스타트 문제를 해결한다.
• 정적 스타일 지문을 넘어서 시간적 동적 특성을 고객 모델링에 통합함으로써 추천 정확도를 향상시킨다.
• 실세계 패션 플랫폼 환경에서 순차적 구매 역사와 시간 인식 모델링이 추천 성능에 미치는 영향을 평가한다.

제안 방법

• 딥 피드포워드 신경망이 이미지, 태그, 가격, 소재 구성 등 아티클 특징에서 고밀도, 저차원의 Fashion DNA 임베딩을 생성한다.
• Fashion DNA 임베딩은 모든 패션 아이템에 대해 고정된 정적 서술자로 기능하여 시간에 관계없이 일관된 표현을 가능하게 한다.
• 공유된 장기 단기 기억(LSTM) 네트워크가 각 고객의 이전 구매 이력의 순차적 시계열을 처리하여 시간에 따라 변화하는 스타일 벡터를 예측한다.
• 랭킹 성능을 최적화하기 위해 시그모이드-랭크 손실 함수를 사용하며, 일반화를 향상시키기 위해 음성 샘플링을 적용한다.
• 고객별로 구매 의도 점수는 동적으로 업데이트된 스타일 벡터와 아이템 임베딩 간의 내적곱으로 계산된다.
• 최종 추천 목록은 평가 시점의 구매 의도 점수에 따라 매장 내 아이템을 정렬하여 생성된다.

실험 결과

연구 질문

• RQ1 순환 신경망이 패션 추천 환경에서 시간에 따라 변화하는 고객 스타일 선호도의 진화를 효과적으로 모델링할 수 있는가?
• RQ2 고객 모델링에 시간적 동적 특성을 통합할 경우 정적 협업 필터링 대비 추천 성능이 어떻게 향상되는가?
• RQ3 훈련 중에 볼 수 없었던 신규 패션 아이템에 대해 모델이 콜드 스타트 문제를 어느 정도 완화하는가?
• RQ4 희소성과 부분 순서가 있는 구매 시퀀스가 패션 분야의 RNN 기반 추천 시스템 성능에 어떤 영향을 미치는가?

주요 결과

• 동적 LSTM 기반 모델은 동일한 테스트 세트에서 정적 모델(85.2%)과 인기 기반 베이스라인(80.2%)을 크게 능가하여 AUC 88.5%를 달성했다.
• 동적 모델은 50%의 구매를 커버하기 위해 필요한 추천 수를 정적 모델의 13,500개에서 9,300개로 줄였으며, 90% 커버리지의 경우 80,000개에서 63,000개로 감소시켰다.
• 훈련 중에 볼 수 없었던 신규 도입 아이템에 대해 동적 모델은 베이스라인 대비 87.7% AUC를 기록하여 강력한 콜드 스타트 내성성을 입증했다.
• LSTM 내에서 고객 간 가중치 공유 덕분에 모델의 파라미터 수는 100만 미만으로, 정적 모델의 약 10^8 파라미터보다 크게 줄었다.
• 고정밀 영역(상위 10개 추천)에서 동적 모델은 평균적으로 400개의 추천으로 10%의 구매를 커버하는 데 뛰어난 성능을 보였다.
• 시그모이드-랭크 손실이 소프트맥스 손실보다 성능이 뛰어나, 이 순차적 추천 작업에서는 랭킹 최적화가 분류 기반 최적화보다 더 효과적임을 시사한다.