[논문 리뷰] Learning Compatibility Across Categories for Heterogeneous Item Recommendation

Ruining He, Charles Packer외 1명|arXiv (Cornell University)|2016. 03. 31.

Recommender Systems and Techniques참고 문헌 29인용 수 24

한 줄 요약

모노머는 비거리수학적 임bedding의 혼합을 통해 다수의 국소적 호환성 개념을 모델링함으로써 이질적 아이템 추천을 위한 확장 가능하고 비거리수학적 학습 프레임워크를 제안한다. 다양한 아마존 카테고리에서 공구매 및 공브라우징 링크 예측 작업에서 LMT와 같은 거리기반 기준보다 뛰어난 성능을 보이며, 특히 이종 및 이질적 환경에서 뛰어난 성능을 발휘한다.

ABSTRACT

Identifying relationships between items is a key task of an online recommender system, in order to help users discover items that are functionally complementary or visually compatible. In domains like clothing recommendation, this task is particularly challenging since a successful system should be capable of handling a large corpus of items, a huge amount of relationships among them, as well as the high-dimensional and semantically complicated features involved. Furthermore, the human notion of "compatibility" to capture goes beyond mere similarity: For two items to be compatible---whether jeans and a t-shirt, or a laptop and a charger---they should be similar in some ways, but systematically different in others. In this paper we propose a novel method, Monomer, to learn complicated and heterogeneous relationships between items in product recommendation settings. Recently, scalable methods have been developed that address this task by learning similarity metrics on top of the content of the products involved. Here our method relaxes the metricity assumption inherent in previous work and models multiple localized notions of 'relatedness,' so as to uncover ways in which related items should be systematically similar, and systematically different. Quantitatively, we show that our system achieves state-of-the-art performance on large-scale compatibility prediction tasks, especially in cases where there is substantial heterogeneity between related items. Qualitatively, we demonstrate that richer notions of compatibility can be learned that go beyond similarity, and that our model can make effective recommendations of heterogeneous content.

연구 동기 및 목표

• 아이템 간 유사성과 다름이 동시에 존재하는 경우, 거리기반 방법의 한계를 해결한다.
• 대칭성, 정체성, 추이성 등의 거리기반 가정과 명시적 카테고리 레이블에 대한 의존도를 줄여 이종 추천을 제한하는 요소를 제거한다.
• 다양한 경쟁적 관련성 개념을 동시에 캡처하여 다양한 맥락 기반 추천을 가능하게 한다.
• 고차원의 시각적 및 텍스처 특징 공간에서 복잡한 비거리수학적 호환성 관계를 학습하는 동안 확장성과 효율성을 유지한다.

제안 방법

• 다양한 비거리수학적 시각 공간을 모델링하기 위해 전문가 혼합 프레임워크를 사용하며, 각 공간은 별개의 국소적 관련성 개념을 포착한다.
• 질의 및 후보 아이템을 별개의 임베딩 행렬을 사용해 N개의 서로 다른 시각 공간으로 투영하고, 각 공간에서 유클리드 거리를 계산한다.
• 쿼리 아이템에 따라 거리 성분을 적응적으로 조합하기 위해 라우팅 네트워크를 사용해 각 공간에 대한 확률적 가중치를 학습한다.
• 거리기반 가정을 완화하기 위해 비대칭적, 비정체적, 비추이적 관계를 허용함으로써 더 rich한 호환성 모델링을 가능하게 한다.
• 공구매 및 공브라우징 쌍에 대해 대조 손실을 사용해 모델을 엔드 투 엔드로 훈련하며, 공간 간에 공유되는 임베딩 파rameter를 사용한다.
• 동일한 수의 임베딩 파rameter를 사용할 경우, 이전 방법들(예: LMT)과 동일한 시간 복잡도를 유지함으로써 계산 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 비거리수학적이고 다중 개념 기반의 임베딩 프레임워크는 거리기반 방법보다 이질적 아이템 간 호환성 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 명시적 카테고리 레이블에 의존하지 않고, 모노머는 얼마나 다양한 이종 추천을 생성할 수 있는가?
• RQ3 실제 아마존 데이터에서 다양한 제품 카테고리와 링크 유형(예: also_bought 대비 also_viewed) 간에 모노머는 얼마나 잘 일반화되는가?
• RQ4 다양한 국소적 관련성 개념을 모델링하는 것이 단일 글로벌 유사도 기반 메트릭보다 추천 품질을 향상시키는가?
• RQ5 모노머는 시각적 또는 텍스처적 유사성 외에도 기능적 보완성(예: 노트북과 충전기)이나 스타일적 조화(예: 청바지와 셔츠)와 같은 호환성도 효과적으로 학습할 수 있는가?

주요 결과

• 모노머는 모든 아마존 카테고리에서 LMT보다 뚜렷한 성능 향상을 보이며, 평균 오차 감소율에서 23.8% 향상되었다.
• ‘also_bought’ 과제에서, 모노머는 모든 카테고리에서 테스트 오차 12.94%를 기록했고, LMT의 17.19%보다 뛰어난 성능을 보였다. 이는 더 어려운, 더 이질적인 관계에서의 뛰어난 성능을 증명한다.
• ‘Phones’ 카테고리에서는 LMT의 오차 29.44%에서 모노머가 22.68%로 감소시켜 매우 이질적인 제품 공간에서도 강력한 성능을 발휘했다.
• ‘also_bought’ 및 ‘also_viewed’ 링크 예측 과제에서 모두 최신 기준 성능을 달성했으며, ‘Electronics’의 ‘also_viewed’ 과제에서 42% 향상, ‘Phones’의 ‘also_viewed’ 과제에서 35% 향상되었다.
• 모델은 단순한 시각적 유사성 외에도 스타일적 조화나 기능적 보완성을 반영한 질적 다양성을 가진 추천을 생성한다. 예를 들어 티셔츠에 신발을, 다른 색의 셔츠를 조합하는 등.
• 동일한 수의 임베딩 파rameter를 사용할 경우, 모노머는 LMT와 동일한 시간 복잡도를 유지하며, 모델의 표현력 증가에도 불구하고 확장성을 확보한다.