[논문 리뷰] Footwear Size Recommendation System

Shreya Singh, Ghada Abdulla외 2명|arXiv (Cornell University)|2018. 06. 28.

Nutritional Studies and Diet참고 문헌 7인용 수 9

한 줄 요약

이 논문은 브랜드-브랜드 공동구매 그래프와 유사도 점수를 활용하여 희소성과 콜드스타트 문제를 해결하는 확률적 신발 사이즈 추천 시스템인 가중 브랜드 유사도 추천(WBSR)을 제안한다. 사용자 선호도를 브랜드 수준에서 모델링하고 브랜드 유사도를 통합함으로써, 이전의 스킵그램 기반 방법보다 정밀도와 커버리지가 향상되며, 평균적으로 희소성은 0.8에서 0.64로 감소한다.

ABSTRACT

While shopping for fashion products, customers usually prefer to try-out products to examine fit, material, overall look and feel. Due to lack of try out options during online shopping, it becomes pivotal to provide customers with as much of this information as possible to enhance their shopping experience. Also it becomes essential to provide same experience for new customers. Our work here focuses on providing a production ready size recommendation system for shoes and address the challenge of providing recommendation for users with no previous purchases on the platform. In our work, we present a probabilistic approach based on user co-purchase data facilitated by generating a brand-brand relationship graph. Specifically we address two challenges that are commonly faced while implementing such solution. 1. Sparse signals for less popular or new products in the system 2. Extending the solution for new users. Further we compare and contrast this approach with our previous work and show significant improvement both in recommendation precision and coverage.

연구 동기 및 목표

• 온라인 패션 전자상거래에서 인기 없는 또는 신제품인 신발 제품에 대한 희소한 구매 신호 문제를 해결하기 위해.
• 플랫폼에서 구매 역사를 보유하지 않은 신규 사용자에 대한 콜드스타트 문제를 해결하기 위해.
• 이전의 스킵그램 기반 임베딩 방법을 초월하여 사이즈 추천 정밀도와 커버리지 향상을 위해.
• 클릭, 카트, 주문 등의 사용자 세션 데이터를 활용하여 강력하고 프로덕션용으로 구현 가능한 사이즈 추천 시스템을 구축하기 위해.

제안 방법

• 클릭스트림 데이터(클릭, 카트, 주문)를 사용하여 브랜드-브랜드 공동구매 그래프를 구축하여 브랜드 수준에서 사용자 선호도를 모델링한다.
• 사용자 세션 내에서의 공통 출현 빈도를 기반으로 브랜드-브랜드 유사도 점수를 계산하여 추천 신뢰도를 강화한다.
• 성별-아티클 유형 수준에서 확률적 그래픽 모델 $G_s$를 구축하며, 노드는 성별, 아티클 유형, 브랜드를 나타내고, 가중치가 부여된 간선은 공동구매 빈도를 나타낸다.
• 확률 계산에서 마진화를 적용하여 관련 브랜드 간의 증거를 집계함으로써 정밀도를 향상시킨다.
• 추천 정확도를 최적화하기 위해 하이퍼파rameter $\alpha$ (간선 가중치 임계값)와 $\lambda$ (소프트맥스 임계값)를 사용하며, $\lambda = 0.7$ 이고 $\alpha$ 는 간선 가중치의 75번째 백분위수로 설정된다.
• 신규 사용자에게 추천을 부트스트랩하기 위해 사용자가 제공한 사이즈 선호도 데이터(예: 선호 브랜드 및 일반 사이즈)를 통합한다.

실험 결과

연구 질문

• RQ1 희소한 구매 신호를 가진 신제품 또는 인기 없는 브랜드의 신발에 대해 어떻게 사이즈 추천 시스템을 설계할 수 있는가?
• RQ2 SKU 수준의 임베딩과 비교해 브랜드 수준의 공동구매 패턴과 유사도 점수가 추천 정확도를 향상시키는가?
• RQ3 사용자가 제공한 선호도 데이터(예: 선호 브랜드 및 일반 사이즈)를 사용자 콜드스타트 문제 해결에 얼마나 효과적으로 활용할 수 있는가?
• RQ4 확률적 그래픽 모델에서 추천 정확도를 최대화하기 위해 하이퍼파rameter $\alpha$와 $\lambda$의 최적 설정은 무엇인가?

주요 결과

• WBSR 시스템은 스킵그램 모델에서의 그래프 희소성을 평균적으로 0.8에서 0.64로 감소시켜 데이터 커버리지가 크게 향상되었다.
• 최적의 하이퍼파rameter $\lambda$ 는 검증 세트에서 정확도를 최대화하는 0.7로 확인되었다.
• 최적의 간선 가중치 임계값 $\alpha$ 는 총 간선 가중치의 75번째 백분위수로 특정되어 남성 스포츠 신발의 정점 정확도를 달성했다.
• 브랜드 유사도 점수, 예를 들어 나이키(0.65)와 아디다스 간의 유사도 점수는 추천의 신뢰도와 정확도 향상에 효과적이었다.
• 이전의 abdullasize 방법보다 높은 정밀도와 커버리지 성능을 기록했으며, 특히 신규 사용자 및 희소한 제품 카테고리에서 두드러졌다.
• 간단한 사용자 제공 선호도 정보(브랜드 및 사이즈)를 활용하여 첫 상호작용에서 정확한 사이즈 추천을 생성함으로써 콜드스타트 문제를 성공적으로 해결했다.