[논문 리뷰] Inferring Networks of Substitutable and Complementary Products

Julian McAuley, Rahul Pandey외 1명|arXiv (Cornell University)|2015. 06. 29.

Sentiment Analysis and Opinion Mining참고 문헌 29인용 수 87

한 줄 요약

이 논문은 제품 리뷰와 평점, 가격 등의 보조 특징에 대한 토픽 모델링을 사용하여 상호 대체 가능하고 보완적인 제품 관계를 추론하는 지도 학습 기반 링크 예측 프레임워크인 Sceptre를 제안한다. 900만 개의 아마존 제품과 1.44억 개의 리뷰로 훈련된 Sceptre는 대체 링크와 보완 링크 예측에서 베이스라인을 능가하며, 사용자 연구 결과 Sceptre의 보완 추천이 아마존의 '또 다른 고객이 본 제품' 추천보다 유의미하게 선호됨을 보였다.

ABSTRACT

In a modern recommender system, it is important to understand how products relate to each other. For example, while a user is looking for mobile phones, it might make sense to recommend other phones, but once they buy a phone, we might instead want to recommend batteries, cases, or chargers. These two types of recommendations are referred to as substitutes and complements: substitutes are products that can be purchased instead of each other, while complements are products that can be purchased in addition to each other. Here we develop a method to infer networks of substitutable and complementary products. We formulate this as a supervised link prediction task, where we learn the semantics of substitutes and complements from data associated with products. The primary source of data we use is the text of product reviews, though our method also makes use of features such as ratings, specifications, prices, and brands. Methodologically, we build topic models that are trained to automatically discover topics from text that are successful at predicting and explaining such relationships. Experimentally, we evaluate our system on the Amazon product catalog, a large dataset consisting of 9 million products, 237 million links, and 144 million reviews.

연구 동기 및 목표

• 대규모 전자상거래 카탈로그에서 상호 대체 및 보완 제품 관계를 식별하는 확장 가능한 방법을 개발하는 것.
• 평점, 가격, 브랜드와 같은 보조 특징과 함께 텍스트 리뷰를 사용하여 제품 간의 의미적 관계를 모델링하는 것.
• 사용자가 제품을 비교할 때는 대체품을, 패키지로 구매를 고려할 때는 보완품을 고려하는 맥락 인식 추천을 생성하는 시스템을 구축하는 것.
• 리뷰가 이용 가능하지 않을 경우 텍스트 특징을 활용해 냉시작 추천을 가능하게 하는 것.
• 예측 결과를 제품 리뷰의 주목할 만한 문장과 연결하여 설명 가능한 추천을 제공하는 것.

제안 방법

• Sceptre는 제품 리뷰, 평점, 가격, 카테고리 계층 구조에서 유도된 특징을 사용하여 지도 학습 기반 링크 예측 작업으로 제품 관계 예측을 수립한다.
• 특히 LDA를 사용한 토픽 모델링을 통해 대체 가능성과 보완성을 예측하는 데 기여하는 잠재 토픽을 탐색한다.
• 이러한 토픽 특징을 명시적 특징(예: 브랜드, 가격, 평점)과 조합하여 동시에 두 가지 유형의 관계를 예측한다.
• 검색 공간을 제한하고 효율성을 향상시키기 위해 계층적 카테고리 구조를 활용하며, 추천 범위를 직계 카테고리(부모, 자식, 형제, 자기 자신)로 제한한다.
• 설명을 위해 Sceptre는 모델의 관련성 함수에서 가장 높은 활성도를 보이는 리뷰 문장을 강조하여 해석 가능한 근거를 제공한다.
• 새로운 제품의 경우 전체 재학습 없이 사전 학습된 LDA 모델을 사용해 토픽 분포를 추정함으로써 냉시작을 지원한다.

실험 결과

연구 질문

• RQ1 제품 리뷰에 기반한 토픽 모델이 상호 대체 및 보완 제품 관계를 효과적으로 예측할 수 있는가?
• RQ2 가격, 브랜드, 평점 등의 보조 특징을 통합할 경우 제품 관계 링크 예측 정확도가 향상되는가?
• RQ3 리뷰가 없거나 제한된 신규 제품에 대해 시스템이 일반화 가능한가(냉시작 시나리오)?
• RQ4 예측된 보완 관계는 실제 공동 구매 및 브라우징 행동과 어떻게 비교되는가?
• RQ5 사용자는 아마존의 '또 다른 고객이 본 제품'과 비교해 Sceptre의 추천을 더 선호하는가?

주요 결과

• Sceptre는 아마존 데이터셋에서 대체 및 보완 관계 링크 예측 정확도에서 모두 기존 베이스라인 방법을 뚜렷이 뛰어넘는다.
• 사용자 연구 결과 Sceptre의 보완 추천이 아마존의 '또 다른 고객이 본 제품' 추천보다 유의미하게 선호됨을 확인했으며, 이는 보완 의도를 더 잘 포착하고 있음을 시사한다.
• 제품 리뷰의 텍스트가 제품 관계 식별에 가장 정보가 많은 자료이며, 토픽 모델링이 대체 및 보완의 의미적 신호를 효과적으로 포착함을 확인했다.
• 직계 카테고리 가족(부모, 자식, 형제, 자기 자신)으로 검색 범위를 제한함으로써 고성능 유지와 함께 계산 효율성을 확보했다.
• 사전 학습된 LDA 모델을 사용해 신규 제품의 토픽 분포를 추정함으로써 전체 재학습 없이도 효과적인 냉시작 추천이 가능함을 입증했다.
• 리뷰에서 관련 문장을 강조함으로써 추천의 설명을 성공적으로 제공하여 투명성과 사용자 신뢰를 향상시켰다.