[논문 리뷰] eCommerceGAN : A Generative Adversarial Network for E-commerce

Ashutosh Kumar, Arijit Biswas외 1명|ePrints@IISc (Indian Institute of Science)|2018. 01. 10.

Handwritten Text Recognition Techniques참고 문헌 21인용 수 19

한 줄 요약

이 논문은 전자상거래 주문의 조밀하고 저차원의 표현을 학습하여 현실적으로 타당한 주문을 생성하는 생성적 적대적 네트워크인 eCommerceGAN(ecGAN)과 그 조건부 변형인 ec²GAN을 제안한다. 실제 주문 데이터로 훈련함으로써 ec²GAN은 신규 제품의 고객 인구통계, 가격 분포, 계절적 수요를 효과적으로 특성화하며, C-VAE 기준선 대비 9개 사용 사례 중 7개에서 최대 22% 향상된 성능을 보였다.

ABSTRACT

E-commerce companies such as Amazon, Alibaba and Flipkart process billions of orders every year. However, these orders represent only a small fraction of all plausible orders. Exploring the space of all plausible orders could help us better understand the relationships between the various entities in an e-commerce ecosystem, namely the customers and the products they purchase. In this paper, we propose a Generative Adversarial Network (GAN) for orders made in e-commerce websites. Once trained, the generator in the GAN could generate any number of plausible orders. Our contributions include: (a) creating a dense and low-dimensional representation of e-commerce orders, (b) train an ecommerceGAN (ecGAN) with real orders to show the feasibility of the proposed paradigm, and (c) train an ecommerce-conditional-GAN (ec^2GAN) to generate the plausible orders involving a particular product. We propose several qualitative methods to evaluate ecGAN and demonstrate its effectiveness. The ec^2GAN is used for various kinds of characterization of possible orders involving a product that has just been introduced into the e-commerce system. The proposed approach ec^2GAN performs significantly better than the baseline in most of the scenarios.

연구 동기 및 목표

• 실제 거래 데이터를 초월하여 타당한 전자상거래 주문의 분포를 모델링하기 위해.
• 고객, 제품, 가격, 날짜 특징을 사용하여 조밀하고 저차원적이며 의미론적으로 유의미한 주문 표현을 학습하기 위해.
• 무조건적 생성을 위한 ecGAN과 특정 제품 기반 조건부 생성을 위한 ec²GAN을 개발하기 위해.
• 실제 전자상거래 환경에서, 특히 신제품 출시 시나리오에서 생성 모델을 정성적·정량적으로 평가하기 위해.
• 합성되었지만 현실적인 주문 데이터를 활용한 수요 예측, 고객 특성 분석, 개인화 마케팅을 위한 프레임워크를 제공하기 위해.

제안 방법

• 고객, 제품, 가격, 날짜에 대한 조밀한 임베딩을 연결하여 벡터로 표현함으로써 저차원이고 의미론적으로 유의미한 주문 표현을 가능하게 한다.
• ecGAN은 기울기 보정이 있는 워셔스타인 GAN을 사용하여 실제 전자상거래 주문의 분포를 학습하는 생성기 훈련을 수행한다.
• ec²GAN은 생성기의 입력에 제품 임베딩을 조건부로 추가하여 특정 제품을 포함한 주문 생성을 가능하게 한다.
• ec²GAN에서는 생성기 손실에 재구성 손실을 추가하여 입력 제품 표현을 유지하고 정밀도를 향상시킨다.
• 정성적 평가에는 t-SNE 시각화, 랜덤 포레스트 리프 분포 분석, 특징 상관관계 분석을 사용하여 생성된 주문의 품질을 평가한다.
• 정량적 평가에서는 C-VAE 기준선과 비교하여 고객 프로파일링, 가격 예측, 계절적 수요 추정 등 9개의 사용 사례에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 생성적 적대적 네트워크는 실제 고객-제품 상호작용을 반영하는 타당한 전자상거래 주문을 효과적으로 학습하고 생성할 수 있는가?
• RQ2 ec²GAN은 신제품 출시 시 잠재 고객의 인구통계, 가격, 계절적 수요 패턴을 얼마나 잘 특성화할 수 있는가?
• RQ3 제품 임베딩에 조건을 붙인 GAN이 무조건적 생성 대비 주문의 현실성과 다양성을 향상시키는가?
• RQ4 ec²GAN은 C-VAE 기준선 대비 신제품을 위한 현실적인 주문 분포 생성에서 어떤 성능을 보이는가?
• RQ5 t-SNE 및 특징 상관관계와 같은 정성적 평가 기법은 비시각적 도메인에서 생성된 주문의 품질을 얼마나 잘 검증할 수 있는가?

주요 결과

• ec²GAN은 평가된 9개 사용 사례 중 7개에서 C-VAE 기준선을 능가했으며, 고구매 고객 예측에서 최대 22%p의 절대적 향상을 기록했다.
• 모델은 실제 주문의 성별, 고객 유형, 구매 빈도, 계절적 수요 분포를 효과적으로 반영했으며, '여성 파티 드레스'와 '남성 반바지' 등의 제품에 대해 정규화된 분포도를 통해 이를 입증했다.
• 계절적 수요 측면에서 ec²GAN은 제품에 대해 여름 수요 71.43%, 겨울 수요 72.22%를 예측하여 실제값과 유사했고, C-VAE는 각각 71.28%와 66.37%를 예측했다.
• 생성기에서는 실제 세계 패턴을 성공적으로 모방했으며, 예를 들어 '여성 파티 드레스' 주문의 73%가 여성에 의해 이루어지고, '여성 겨울 스카프' 주문의 67%가 겨울에 발생하는 등.
• 가격 예측에서는 C-VAE가 略히 우수한 성능를 보였지만, ec²GAN은 모드 붕괴를 피하고 타당한 주문의 전반적인 스펙트럼을 효과적으로 포괄하는 데 뛰어난 성능를 보였다.
• 정성적 평가 방법인 t-SNE, 랜덤 포레스트 리프 분포, 특징 상관관계는 ec²GAN이 생성한 주문이 의미론적으로 유의미하고 실제 데이터와 분포상으로 일치함을 입증했다.