[논문 리뷰] Explainable Product Search with a Dynamic Relation Embedding Model

Qingyao Ai, Yongfeng Zhang외 2명|arXiv (Cornell University)|2019. 09. 16.

Advanced Graph Neural Networks참고 문헌 75인용 수 4

한 줄 요약

이 논문은 다이나믹 리레이션 임베딩 모델(DREM)을 제안하며, 다중관계적 제품 데이터에서 세션별 지식 그래프를 구성하고 다이나믹 리레이션 임베딩을 사용하여 사용자-아이템 상호작용을 모델링함으로써 설명 가능성이 높은 제품 검색을 위한 새로운 접근법을 제시한다. DREM은 지식 그래프에서 논리 추론과 소프트 매칭을 통해 인간이 이해할 수 있는 설명을 생성함으로써 검색 성능을 햖을 뿐 아니라, 최신 기준 모델들을 크게 앞서며 뛰어난 성능을 발휘한다.

ABSTRACT

Product search is one of the most popular methods for customers to discover products online. Most existing studies on product search focus on developing effective retrieval models that rank items by their likelihood to be purchased. They, however, ignore the problem that there is a gap between how systems and customers perceive the relevance of items. Without explanations, users may not understand why product search engines retrieve certain items for them, which consequentially leads to imperfect user experience and suboptimal system performance in practice. In this work, we tackle this problem by constructing explainable retrieval models for product search. Specifically, we propose to model the "search and purchase" behavior as a dynamic relation between users and items, and create a dynamic knowledge graph based on both the multi-relational product data and the context of the search session. Ranking is conducted based on the relationship between users and items in the latent space, and explanations are generated with logic inferences and entity soft matching on the knowledge graph. Empirical experiments show that our model, which we refer to as the Dynamic Relation Embedding Model (DREM), significantly outperforms the state-of-the-art baselines and has the ability to produce reasonable explanations for search results.

연구 동기 및 목표

• 시스템이 인식하는 관련성과 사용자가 인식하는 관련성 간 격차를 해소하기 위해 설명 가능한 검색 모델을 도입함으로써 문제를 해결한다.
• 정적 지식 그래프 링크가 아닌 동적이고 세션별 관계로서 사용자-아이템 관계를 모델링한다.
• 다중관계적 제품 데이터 기반의 구조적 추론을 통해 인간이 읽을 수 있는, 논리적으로 기반을 둔 설명을 생성한다.
• 이커머스 검색 시스템에서 검색 효과성과 설명 품질을 동시에 최적화한다.
• 설명 품질이 제품 검색에서 사용자 신뢰도와 거래 행동에 미치는 영향을 탐색한다.

제안 방법

• 다중관계적 제품 데이터(예: 카테고리, 브랜드, 함께 구매, 뷰스루 관계 등)를 사용하여 검색 세션마다 변화하는 다이나믹 지식 그래프를 구축한다.
• 사용자와 아이템의 다이나믹 리레이션 임베딩을 공유 잠재 공간에서 학습하여 세션별 상호작용을 포착한다.
• 쿼리 및 아이템 특성 기반으로 지식 그래프 내 관련 설명 경로를 식별하기 위해 소프트 매칭 알고리즘을 사용한다.
• 쿼리에서 검색된 아이템으로의 경로 추적을 통해 논리 추론을 적용하여 의미적 일관성을 확보한다.
• 경로 점수 함수(식 13 및 14)를 사용하여 설명 경로를 점수 매기고 가장 관련성이 높은 경로를 선별한다.
• 검색 및 설명 생성을 통합된 엔드 투 엔드 프레임워크로 통합하여 공동 최적화 기반으로 훈련한다.

실험 결과

연구 질문

• RQ1 정적 지식 그래프 또는 기준 모델 대비 다이나믹 지식 그래프 표현이 제품 검색의 검색 성능 향상에 기여하는가?
• RQ2 모델이 생성한 설명은 인간 사용자에게 관련성과 설득력 면에서 얼마나 효과적인가?
• RQ3 설명 품질이 검색 성능 또는 사용자 거래 가능성과 어느 정도 상관관계를 가지는가?
• RQ4 다양한 제품 도메인에서 설명 품질에 가장 의미 있게 기여하는 관계 유형(예: 함께 구매, 함께 뷰드)은 무엇인가?
• RQ5 검색 및 설명 생성의 공동 최적화가 전체 시스템 효과성 향상에 기여하는가?

주요 결과

• DREM은 NDCG 및 MAP와 같은 표준 검색 메트릭 기준으로 최신 기준 제품 검색 베이스라인을 크게 앞서며 뛰어난 성능을 발휘한다.
• DREM이 생성한 설명은 매우 효과적이다: 유용한 설명의 84% 이상(Q3 ≥ 1)이 관련된 아이템 또는 쿼리 정보(Q1+ 또는 Q2+)를 제공함으로써 강력한 정보적 관련성을 보여준다.
• 설명이 도움이 되지 않는 것으로 평가되더라도(Q3 = 0), 그 중 16% 미만이 쿼리 또는 아이템에 기본적인 관련성을 제공하지 못함으로써 설명 품질의 뛰어난 내구성을 보여준다.
• 애너테이터들은 '함께 구매', '함께 뷰드'와 같은 관계가 니치 도메인(예: Kindle 스토어, CD & 빈일)에서는 제품 카테고리에 대한 숙련도가 설명의 유용성에 영향을 미쳐 덜 유용하다고 평가했다.
• 검색 성능와 설명 유용성 간 강한 상관관계가 없음을 확인하여, 설명 품질이 시스템 효과성의 별개이자 독립된 차원임을 시사한다.
• 애너테이터들은 상위 랭크된 아이템이 관련이 없을 경우 설명이 특히 효과적이지 않다는 점을 보고하여, 아이템의 관련성과 설명 품질 간의 일치가 필요함을 강조했다.