[논문 리뷰] Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search

Tao Zhuang, Wenwu Ou외 1명|arXiv (Cornell University)|2018. 05. 22.

Text and Document Classification Technologies인용 수 6

한 줄 요약

이 논문은 전역 최적화 및 상호 영향 고려 ranking 프레임워크를 제안하여 전자상거래 검색에서 총 상품 판매액(GMV)을 직접 최대화한다. 전역적 특징 확장과 빔 서치를 사용한 RNN 기반 순서 모델링을 통해 아이템-주문 간 의존성을 포착하여, 타오바오 검색에서 대규모 온라인 A/B 테스트에서 강력한 베이스라인 대비 5.82%의 GMV 향상을 달성했으며, 수용 가능한 지연 시간을 유지했다.

ABSTRACT

In web search, mutual influences between documents have been studied from the perspective of search result diversification. But the methods in web search is not directly applicable to e-commerce search because of their differences. And little research has been done on the mutual influences between items in e-commerce search. We propose a global optimization framework for mutual influence aware ranking in e-commerce search. Our framework directly optimizes the Gross Merchandise Volume (GMV) for ranking, and decomposes ranking into two tasks. The first task is mutual influence aware purchase probability estimation. We propose a global feature extension method to incorporate mutual influences into the features of an item. We also use Recurrent Neural Network (RNN) to capture influences related to ranking orders in purchase probability estimation. The second task is to find the best ranking order based on the purchase probability estimations. We treat the second task as a sequence generation problem and solved it using the beam search algorithm. We performed online A/B test on a large e-commerce search engine. The results show that our method brings a 5% increase in GMV for the search engine over a strong baseline.

연구 동기 및 목표

• 전자상거래 검색 랭킹에서 아이템 간 상호 영향에 대한 연구 부족을 해결함으로써, 이는 구매 확률에 크게 영향을 미친다.
• 전통적인 정보 검색(IR) 메트릭인 NDCG와 같은 메트릭이 아닌, 전자상거래의 주요 비즈니스 메트릭인 GMV를 직접 최적화함.
• 아이템의 상대적 순서가 그들의 구매 가능성에 어떻게 영향을 미치는지 모델링함. 특히 고정밀도 결과 세트에서 중요하다.
• 생산 규모의 검색 시스템에서 GMV 향상과 계산 비용 간 균형을 잡는 효율적인 재랭킹 프레임워크 개발.

제안 방법

• 전역 최적화 프레임워크를 제안하여 랭킹을 순서 생성 문제로 간주함으로써 기대되는 GMV를 최대화함.
• 상호 영향 신호를 아이템 특징에 통합하기 위한 전역적 특징 확장 방법을 도입하여, 인접한 아이템으로부터 유래한 맥락적 영향을 포착함.
• 확장된 특징을 사용하여 구매 확률을 추정하기 위해 심층 신경망(miDNN)을 활용함으로써 정렬 기반 랭킹을 가능하게 함.
• RNN과 새로운 어텐션 메커니즘을 사용한 순서 모델링 접근법을 통해 장거리 순서 의존적 영향을 포착함.
• 고품질의 랭킹 순서를 탐색하기 위해 빔 서치를 적용하여 탐욕적 선택을 피하고 전역 최적화를 향상시킴.
• 베이스라인 랭킹 시스템 위에 배치된 재랭킹 파이프라인에서 모델을 구현함. 재랭킹 크기와 빔 크기는 주요 초모수이다.

실험 결과

연구 질문

• RQ1 전자상거래 검색에서 아이템 간 상호 영향이 상대적 구매 확률에 어떻게 영향을 미치는가?
• RQ2 상호 영향을 모델링하는 전역 최적화 프레임워크가 대규모 전자상거래 검색에서 GMV를 향상시킬 수 있는가?
• RQ3 RNN 기반 순서 모델링과 빔 서치를 사용할 경우, GMV 향상과 계산 비용 간의 트레이드오프는 어떠한가?
• RQ4 miDNN, miRNN, miRNN+attention 등의 다양한 모델 구성 요소 간 GMV 향상과 지연 시간 측면에서의 성능 비교는 어떻게 되는가?

주요 결과

• miRNN+attention 모델이 기준선 대비 5.82%의 가장 높은 GMV 향상을 달성하여 장거리 순서 의존성 모델링의 효과를 입증함.
• miRNN 모델은 5.03%의 GMV 향상을 달성했으며 지연 시간이 58% 증가하여 성능과 효율성 간 우수한 균형을 이룸.
• miDNN 모델은 단지 9%의 지연 시간 오버헤드로 2.91%의 GMV 향상을 달성하여 저지연 시간 생산 환경에 적합함.
• 재랭킹 크기가 50를 초과할 경우 GMV 향상 폭이 정점에 도달함. 이는 사용자 행동과 일치하며, 82%의 사용자가 50개 이하의 아이템만 둘러보기 때문임.
• RNN 모델의 경우 빔 크기가 증가할수록 지연 시간이 다항식적으로 증가하여 높은 빔 크기에서 상당한 계산 비용이 발생함을 시사함.
• miRNN+attention의 어텐션 메커니즘이 GMV 향상에 크게 기여했지만, 재랭킹 크기 50일 경우 지연 시간이 401% 증가시켜 핵심적인 트레이드오프를 드러냄.